+分类: 给你一些新的数据，你必须为它们设置新的标签。

例如，一家公司希望对其潜在客户进行分类。当一个新客户来的时候，他们必须确定这个客户是否会购买他们的产品。

+集群: 你得到了一组历史交易记录，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。

分类:在离散输出中预测结果=>映射输入变量到离散类别

常用用例:

电子邮件分类:垃圾邮件或非垃圾邮件 制裁贷款给客户:是的，如果他有能力支付制裁贷款金额的EMI。不行就不行 癌症肿瘤细胞鉴定:是关键还是非关键? 推文的情感分析:推文是积极的、消极的还是中性的 新闻分类:将新闻分类为预定义的类-政治，体育，健康等

聚类:是对一组对象进行分组，使同一组(称为聚类)中的对象彼此之间(在某种意义上)比其他组(聚类)中的对象更相似。

常用用例:

营销:发现客户细分市场的营销目的 生物学:植物和动物的不同种类的分类 图书馆:根据主题和信息对不同的书籍进行聚类 保险:了解客户、他们的政策并识别欺诈行为 城市规划:将房屋分组，并根据其地理位置和其他因素研究其价值。 地震研究:确定危险区 推荐系统:

引用:

Geeksforgeeks

数据有志者

3叶节点

+分类: 给你一些新的数据，你必须为它们设置新的标签。

例如，一家公司希望对其潜在客户进行分类。当一个新客户来的时候，他们必须确定这个客户是否会购买他们的产品。

+集群: 你得到了一组历史交易记录，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。

请阅读以下信息:

分类

是根据从例子中学习，将预定义的类分配给新的观察结果。

这是机器学习的关键任务之一。

聚类(或聚类分析)

尽管被普遍认为是“无监督分类”，但它完全不同。

与许多机器学习者教你的不同，它不是将“类”分配给对象，而是没有预先定义它们。这是做了太多分类的人的有限观点;一个典型的例子，如果你有一个锤子(分类器)，所有的东西对你来说都像钉子(分类问题)。但这也是为什么从事分类的人没有掌握聚类的诀窍。

相反，可以将其视为结构发现。聚类的任务是在你的数据中找到你以前不知道的结构(例如组)。如果您学习了一些新的东西，那么群集是成功的。如果你只知道你已经知道的结构，它就失败了。

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，所以不要相信机器学习者对聚类的否定)。

“无监督学习”有点矛盾

这在文献中反复出现，但无监督学习是该死的。它并不存在，但它就像“军事情报”一样自相矛盾。

算法要么从例子中学习(那么它就是“监督学习”)，要么不学习。如果所有的聚类方法都是“学习”，那么计算一个数据集的最小值、最大值和平均值也是“无监督学习”。然后任何计算“学习”它的输出。因此，术语“无监督学习”是完全没有意义的，它意味着一切和什么都不是。

Some "unsupervised learning" algorithms do, however, fall into the optimization category. For example k-means is a least-squares optimization. Such methods are all over statistics, so I don't think we need to label them "unsupervised learning", but instead should continue to call them "optimization problems". It's more precise, and more meaningful. There are plenty of clustering algorithms who do not involve optimization, and who do not fit into machine-learning paradigms well. So stop squeezing them in there under the umbrella "unsupervised learning".

有一些与集群相关的“学习”，但学习的不是程序。用户应该学习关于他的数据集的新东西。

首先，像这里的许多回答一样:分类是有监督的学习，聚类是无监督的。这意味着:

Classification needs labeled data so the classifiers can be trained on this data, and after that start classifying new unseen data based on what he knows. Unsupervised learning like clustering does not uses labeled data, and what it actually does is to discover intrinsic structures in the data like groups. Another difference between both techniques (related to the previous one), is the fact that classification is a form of discrete regression problem where the output is a categorical dependent variable. Whereas clustering's output yields a set of subsets called groups. The way to evaluate these two models is also different for the same reason: in classification you often have to check for the precision and recall, things like overfitting and underfitting, etc. Those things will tell you how good is the model. But in clustering you usually need the vision of and expert to interpret what you find, because you don't know what type of structure you have (type of group or cluster). That's why clustering belongs to exploratory data analysis. Finally, i would say that applications are the main difference between both. Classification as the word says, is used to discriminate instances that belong to a class or another, for example a man or a woman, a cat or a dog, etc. Clustering is often used in the diagnosis of medical illness, discovery of patterns, etc.