数据挖掘中分类与聚类的区别

分类与聚类的主要区别在于，分类是一种监督学习方法，它为机器提供一个特定的标签来对新观测值进行分类。在这里，机器需要对标签进行适当的测试和训练以进行验证。因此，分类比聚类是一个更复杂的过程。另一方面，聚类是一种无监督学习方法，它基于相似性进行分组。在这里，机器从现有数据中学习，不需要任何训练。在本文中，我们将分别讨论分类和聚类这两个术语；之后，我们将看到它们之间的主要区别。

什么是分类？

当存在两个目标类时，通常使用“分类”一词，称为二元分类。当可以预测多个类时，特别是在模式识别问题中，这通常称为多项式分类。然而，多项式分类也用于分类响应数据，其中人们希望预测几个类别中哪个类别具有最高概率的实例。

分类是数据挖掘中最重要的任务之一。它指的是根据实例的属性为其分配预定义类标签的过程。分类与聚类之间存在相似性，它们看起来很相似，但实际上是不同的。分类与聚类的主要区别在于，分类包括根据实例在预定义组中的成员资格对其进行分级。让我们通过一个例子来理解这个概念；假设您正在使用自组织映射神经网络算法进行图像识别，其中有 10 种不同的对象。如果您为每个图像分配这 10 个类别之一，则分类任务就完成了。

另一方面，聚类不涉及任何标签。假设您有一个包含 10 个对象的图像数据库，但没有类标签。使用聚类算法查找相似图像组将导致确定不带对象标签的簇。

数据挖掘的分类

以下是一些重要的数据挖掘分类方法

逻辑回归方法

逻辑回归方法用于预测响应变量。

K-近邻方法

K-近邻方法用于将数据集分类为所谓的 K 个观测值。它用于确定邻居之间的相似性。

朴素贝叶斯方法

朴素贝叶斯方法用于扫描数据集并定位预测值相等的记录。

神经网络方法

神经网络类似于我们大脑称为神经元的结构。数据集通过这些网络，最终输出。这种神经网络方法比较了不同的分类。分类中发生的错误会被进一步纠正并输入到网络中。这是一个重复的过程。

判别分析方法

在此方法中，构建了一个线性函数，并用于从具有未知类的观测值中预测变量的类。

什么是聚类？

聚类是指一种对象分组技术，使得具有相同功能的对象的聚集在一起，而具有不同功能的对象的疏远。换句话说，我们可以说聚类是将数据集划分为一组有意义的子集（称为簇）的过程。聚类与分类相似，都是将数据分组。但是，与分类不同的是，组不是预先定义的。相反，分组是通过根据真实数据中发现的特征来确定数据之间的相似性来实现的。这些组称为簇。

聚类方法

• 分区方法
• 层次聚类
• 模糊聚类
• 基于密度的聚类
• 基于模型的聚类

分类与聚类的区别