聚類所謂聚類，即根據相似性原則，將具有較高相似度的資料物件劃分至同一類簇，將具有較高相異度的資料物件劃分至不同類簇。聚類與分類最大的區別在於，聚類過程為無監督過程，即待處理資料物件沒有任何先驗知識，而分類過程為有監督過程，即存在有先驗知識的訓練資料集。
聚類（clustering）是分類（classification）的前奏。 對於一堆雜亂的資料想從中抽取更簡潔的表達，可以採用聚類演算法，得出分組資訊； 有了分組的資訊，對於新的資料要將其劃分到哪個組，可以採用分類演算法。
分類分類任務就是通過學習得到乙個目標函式f，把每個屬性集x對映到乙個預先定義的類標號y中。
是根據一些給定的已知類別標號的樣本，訓練某種學習機器（即得到某種目標函式），使它能夠對未知類別的樣本進行分類。這屬於supervised learning（監督學習）。
通過學習來得到樣本屬性與類標號之間的關係。 用自己的話來說，就是我們根據已知的一些樣本（包括屬性與類標號）來得到分類模型（即得到樣本屬性與類標號之間的函式），然後通過此目標函式來對只包含屬性的樣本資料進行分類
回歸從一組資料出發，確定某些變數之間的定量關係式；即建立數學模型並估計未知引數。回歸的目的是**數值型的目標值，它的目標是接受連續資料，尋找最適合資料的方程，並能夠對特定值進行**。這個方程稱為回歸方程，而求回歸方程顯然就是求該方程的回歸係數，求這些回歸係數的過程就是回歸
不管是分類，還是回歸，其本質是一樣的，都是對輸入做出**，並且都是監督學習。說白了，就是根據特徵，分析輸入的內容，判斷它的類別，或者**其值。
回歸的目的是為了找到最優擬合，通過回歸演算法得到是乙個最優擬合線，這個線條可以最好的接近資料集中的各個點。
分類的目的是為了尋找決策邊界，即分類演算法得到是乙個決策面，用於對資料集中的資料進行分類。
機器學習之 分類 聚類 回歸
一 分類 有監督學習的兩大應用之一，產生離散的結果。分類方法是一種對離散型隨機變數建模或 的監督學習演算法。從機器學習的觀點，分類技術是一種有指導的學習，即每個訓練樣本的資料物件已經有類標識，通過學習可以形成表達資料物件與類標識間對應的知識。要構造分類器，需要有乙個訓練樣本資料集作為輸入。訓練集由一...
分類聚類區別及聚類概述
一 分類和聚類的區別 分類和聚類的概念是比較容易混淆的。對於分類來說，在對資料集分類時，我們是知道這個資料集是有多少種類的，比如對乙個學校的在校大學生進行性別分類，我們會下意識很清楚知道分為 男 女 而對於聚類來說，在對資料集操作時，我們是不知道該資料集包含多少類，我們要做的，是將資料集中相似的資料...
總結 分類 聚類的評估指標
精確率 precision 指的是模型判為正的所有樣本中有多少是真正的正樣本 召回率 recall 指的是所有正樣本有多少被模型判為正樣本，即召回。感覺精確率是個區域性的，召回率是個全域性的。精確率與召回率 真正類率 true positive rate tpr 刻畫的是分類器所識別出的 正例項佔所...