一、聚類的概念

聚類是常見的無監督學習算法。人有歸納和總結的能力，機器也有。簡單來說，聚類就是讓機器把數據集中的樣本按照特征的性質分組，在這個過程中沒有標簽的存在。其目標是，組內的對象相互之間是相似的（相關的），而不同組中的對象是不同的（不相關的）。組內的相似性（同質性）越大，組間差別越大，聚類就越好。

二、深入解讀聚類
（1）聚類是一種機器學習技術，它涉及到數據點的分組。給定一組數據點，可以使用聚類算法將每個數據點劃分為一個特定的組。
（2）同一組中的數據點應該具有相似的屬性/特征，而不同組中的數據點應該具有高度不同的屬性/特征。
（3）聚類是一種無監督學習的方法，是許多領域中常用的統計數據分析技術。
（4）聚類與分類的不同在于，聚類所要求劃分的類是未知的。
（5）聚類分析是一種探索性的分析，在分類的過程中，人們不必事先給出一個分類的標準，聚類分析能夠從樣本數據出發，自動進行分類。聚類分析所使用方法的不同，常常會得到不同的結論。不同研究者對于同一組數據進行聚類分析，所得到的聚類數未必一致。

聚類與分類區別

一、聚類 VS 分類

KNN算法屬于“有監督學習”的一部分，也就是說，模型在訓練的時候，即需要特征矩陣X ，也需要真實標簽 y。
機器學習當中，還有相當一部分算法屬于“無監督學習”，無監督的算法在訓練的時候只需要特征矩陣X ，不需要標簽。無監督學習的代表算法有聚類算法、降維算法。
聚類算法又叫做“無監督分類”，其目的是將數據劃分成有意義或有用的組（或簇）。這種劃分可以基于我們的業務需求或建模需求來完成。
（1）聚類 VS 分類的對比圖：

A. 在聚類的過程中，圖中左上角的原始數據分布散點圖呈灰色，沒有用特定的顏色（紅色或橙色）區分，也就是說數據沒有標簽。聚類后將數據分為不同的簇，用紅橙黑三色標記，見右上圖。在一個簇中的數據就認為是同一類，也就是說這些數據具有相似性。
B. 在分類的過程中，測試樣本點用×表示，數據帶有標簽（左下角紅橙黑三色區分），經過分類后測試點×被分到了紅色區域，見右下圖。
（2）聚類 VS 分類的對比表：

總結

以上是生活随笔為你收集整理的聚类的基本概念-聚类与分类的区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。