如果您向任何数据挖掘或机器学习人员提出了此问题，他们将使用术语“有监督的学习”和“无监督的学习”来向您解释聚类和分类之间的区别。因此，让我首先向您介绍受监管和不受监管的关键字。

有监督的学习：假设您有一个篮子，里面装有一些新鲜水果，您的任务是将同一类型的水果放在一个地方。假设水果是苹果，香蕉，樱桃和葡萄。因此，您已经从以前的工作中知道了每种水果的形状，因此可以很容易地将同一类型的水果放在一个地方。在这里，您以前的工作在数据挖掘中被称为训练有素的数据。因此您已经从训练有素的数据中学到了东西，这是因为您有一个响应变量，该变量表示如果某些水果具有某种特性，那么它就是葡萄，就像每种水果一样。

您将从训练后的数据中获得此类数据。这种学习称为监督学习。这种类型的解决问题归类于“分类”下。因此，您已经学到了东西，可以自信地完成工作。

无人看管：假设您有一个篮子，里面装有一些新鲜水果，您的任务是将同一类型的水果放在一个地方。

这次您对这些水果一无所知，您是第一次看到这些水果，因此您将如何布置相同类型的水果。

您首先要做的是接上水果，然后选择该特定水果的任何物理特性。假设你上色了。

然后，您将根据颜色排列它们，然后分组将像这样。 红颜色组：苹果和樱桃水果。 绿颜色组：香蕉和葡萄。所以现在您将使用另一个物理字符作为大小，所以现在这些组将是这样的。 红颜色和大尺寸：苹果。 红色和小尺寸：樱桃果。 绿色和大尺寸：香蕉。 绿色和小尺寸 ：葡萄。工作完成了幸福的结局。

在这里您之前没有学过任何东西，这意味着没有训练数据，也没有响应变量。这种学习称为无监督学习。聚类属于无监督学习。

我是Data Mining的新手，但正如我的教科书所述，CLASSICIATION应该是有监督的学习，而CLUSTERING无监督的学习。监督学习和非监督学习之间的区别可以在这里找到。

分类

是基于示例学习 ，将预定义的类分配给新观察值 。

这是机器学习中的关键任务之一。

聚类（或聚类分析）

尽管通常被称为“无监督分类”，但它却大不相同。

与许多机器学习者将教给您的知识相反，这不是关于为对象分配“类”，而是在没有预定义它们的情况下。对于那些进行过多分类的人来说，这是非常有限的看法。一个典型的例子， 如果您有一把锤子（分类器），那么一切对您来说就像钉子（分类问题） 。但这也是为什么分类人员没有聚集的原因。

而是将其视为结构发现 。聚类的任务是在您以前不知道的数据中查找结构（例如组）。 如果您学到了一些新知识， 则集群成功。如果您只知道已经知道的结构，那么它将失败。

聚类分析是数据挖掘的关键任务（也是机器学习中的丑小鸭，所以不要听机器学习者拒绝聚类）。

“无监督学习”有点矛盾

这已经在文献中反复提及 ，但是无监督学习是必不可少的 。它不存在，但是像“军事情报”一样是矛盾的。

该算法要么从示例中学习（然后是“监督学习”），要么不学习。如果所有聚类方法都是“学习”的，那么计算数据集的最小值，最大值和平均值也是“无监督学习”。然后，任何计算都会“获悉”其输出。因此，“无监督学习”一词完全没有意义 ，它意味着一切，一无所有。

但是，某些“无监督学习”算法确实属于优化类别。例如，k均值是最小二乘优化。这样的方法遍布统计数据，因此我认为我们不需要将它们标记为“无监督学习”，而应继续将它们称为“优化问题”。更精确，更有意义。有很多聚类算法不涉及优化，也不适合机器学习范例。因此，不要在“无监督学习”的保护下将他们挤在那里。

有一些与集群相关的“学习”，但不是程序在学习。应当由用户来学习有关其数据集的新知识。

通过聚类，您可以将数据与所需的属性分组，例如提取的聚类的数量，形状和其他属性。而在分类中，组的数量和形状是固定的。大多数聚类算法都将聚类的数量作为参数。但是，有一些方法可以找到适当数量的群集。

聚类旨在查找数据中的组。 “集群”是一个直观的概念，没有严格的数学定义。一个群集的成员应该彼此相似，并且与其他群集的成员不相同。聚类算法对未标记的数据集Z进行运算并在其上产生分区。

对于类和类标签，类包含相似的对象，而来自不同类的对象则不同。有些类具有明确的含义，在最简单的情况下是互斥的。例如，在签名验证中，签名是真实的或伪造的。真正的类是两者之一，无论我们可能无法通过观察特定的签名来正确猜测。

通常，在分类中，您有一组预定义的类，并且想知道新对象属于哪个类。

群集尝试对一组对象进行分组，并查找对象之间是否存在某种关系。

在机器学习的上下文中，分类是有监督的学习，而聚类是无监督的学习 。

还可以查看Wikipedia的分类和聚类 。

请阅读以下信息：

我敢肯定，您中有许多人听说过机器学习。十几个人甚至可能知道它是什么。你们中的一些人可能也使用过机器学习算法。你知道这是怎么回事吗？从现在起的5年内，将有很多人熟悉这项必不可少的技术。 Siri是机器学习。亚马逊的Alexa是机器学习。广告和购物商品推荐系统是机器学习的。让我们尝试以一个2岁男孩的简单类比来理解机器学习。只是为了好玩，我们称他为Kylo Ren

假设Kylo Ren看到了一头大象。他的大脑会告诉他什么？（记住，即使他是维达的继任者，他的思维能力也很低）。他的大脑会告诉他，他看到了一个巨大的动人生物，颜色为灰色。他接下来看到一只猫，他的大脑告诉他这是一只动人的小动物，颜色金黄。最终，他看到旁边有一把军刀，大脑告诉他这是一个可以玩耍的无生命物体！

此时他的大脑知道军刀不同于大象和猫，因为军刀是可以玩的东西，不会自行移动。即使Kylo不知道可移动的含义，他的大脑也可以弄清楚这一点。这个简单的现象称为聚类。

机器学习不过是此过程的数学形式。许多研究统计学的人意识到，他们可以使某些方程式以与大脑相同的方式起作用。大脑可以聚集相似的物体，大脑可以从错误中学习，大脑可以学习识别事物。

所有这些都可以用统计来表示，并且此过程的基于计算机的模拟称为机器学习。为什么我们需要基于计算机的仿真？因为计算机可以比人脑更快地完成繁重的数学运算。我很想进入机器学习的数学/统计部分，但是如果您不先清除一些概念，就不会想进入该领域。

让我们回到Kylo Ren。假设Kylo拿起军刀开始玩。他不小心撞到了冲锋队，冲锋队受伤了。他不知道发生了什么，继续玩。接下来，他打了一只猫，猫受伤了。这次，Kylo确信自己做得不好，并且要谨慎一些。但是由于他的军刀技能不好，他击中了大象，并且绝对确定自己有麻烦。此后他变得非常小心，并且只在我们在《原力觉醒》中看到时才故意打他的父亲！

可以用方程式模仿从错误中学习的整个过程，在方程式中，做错事的感觉由错误或代价表示。识别与军刀无关的过程称为分类。聚类和分类是机器学习的绝对基础。让我们看看它们之间的区别。

凯洛（Kylo）区分动物和轻型军刀，因为他的大脑认为轻型军刀不能自行移动，因此与众不同。该决定仅基于存在的对象（数据），没有提供外部帮助或建议。与此相反，Kylo通过首先观察击中物体可以做什么来区分小心轻剑的重要性。决定并非完全基于军刀，而是基于它可以对不同物体执行的操作。简而言之，这里有一些帮助。

由于学习上的这种差异，因此将聚类称为无监督学习方法，将分类称为有监督学习方法。它们在机器学习世界中非常不同，并且通常由当前数据的种类决定。获得标记的数据（或帮助我们学习的东西，例如Kylo的突击队员，大象和猫）通常不容易，并且在要区分的数据很大时变得非常复杂。另一方面，没有标签的学习可能有其自身的缺点，例如不知道标签的标题是什么。如果Kylo想要在没有任何示例或帮助的情况下谨慎对待军刀，他将不知道该怎么做。他只知道这不是必须要做的。这有点la脚，但您明白了！

我们才刚刚开始使用机器学习。分类本身可以是连续数字的分类或标签的分类。例如，如果Kylo必须对每个突击队员的身高进行分类，那么答案将是很多的，因为身高可以是5.0、5.01、5.011等。答案将非常有限。实际上，它们可以用简单数字表示。红色可以为0，蓝色可以为1，绿色可以为2。

如果您了解基本数学知识，就会知道0,1,2和5.1,5.01,5.011是不同的，分别称为离散数和连续数。离散数的分类称为逻辑回归，连续数的分类称为回归。 Logistic回归也称为分类，因此在其他地方阅读此术语时请不要混淆

这是机器学习的非常基本的介绍。我将在下一篇文章中介绍统计方面的内容。请让我知道是否需要任何更正:)

第二部分在这里发布。

+分类：给您一些新数据，您必须为其设置新标签。

例如，一家公司希望对潜在客户进行分类。当有新客户来时，他们必须确定这是否是要购买其产品的客户。

+聚类：为您提供了一组历史记录，记录了谁买了什么。

通过使用聚类技术，您可以区分客户的细分。

首先，就像许多答案一样，这里是：分类是有监督的学习，而聚类是无监督的。这表示：

1. 分类需要标记的数据，以便可以对分类器进行此数据的训练，然后再根据他所知道的内容对新的看不见的数据进行分类。诸如聚类之类的无监督学习不使用标记的数据，它的实际作用是发现数据（如组）中的固有结构。

2. 两种技术之间的另一个区别（与前一种技术有关）是，分类是离散回归问题的一种形式，其中输出是分类因变量。而集群的输出会产生一组称为组的子集。出于相同的原因，评估这两个模型的方法也有所不同：在分类中，您通常必须检查精度和召回率，例如过拟合和欠拟合等，这些都将告诉您该模型的性能如何。但是在集群中，您通常需要有远见的专家来解释您发现的内容，因为您不知道自己拥有什么类型的结构（组或集群的类型）。这就是为什么聚类属于探索性数据分析的原因。

3. 最后，我想说应用程序是两者之间的主要区别。顾名思义，分类用于区分属于某个类别或另一个类别的实例，例如男人或女人，猫或狗等。聚类通常用于诊断医学疾病，发现模式，等等