聚类和分类

聚类和分类技术用于机器学习，信息检索，图像调查和相关任务。

这两个策略是数据挖掘过程的两个主要部分。在数据分析领域，这些对于管理算法至关重要。具体而言，这两个过程都将数据分成几组。这项任务在当今的信息时代具有高度相关性，因为需要适当地促进数据的大量增加和发展。

值得注意的是，聚类和分类有助于通过数据科学解决诸如犯罪，贫困和疾病等全球性问题。

什么是聚类？

基本上，聚类涉及根据数据的相似性对数据进行分组。它主要涉及距离测量和聚类算法，它们计算数据之间的差异并系统地划分它们。

例如，具有相似学习风格的学生被分组在一起，并与具有不同学习方法的学生分开教授。在数据挖掘中，聚类通常被称为“无监督学习技术”，因为分组基于自然或固有特征。

它应用于信息技术，生物学，犯罪学和医学等几个科学领域。

聚类特征：

没有确切的定义

聚类没有精确的定义，这就是存在各种聚类算法或聚类模型的原因。粗略地说，这两种聚类是软硬的。硬聚类涉及将对象标记为仅属于群集或不属于群集。相反，软聚类或模糊聚类指定某事物属于某一群体的程度。

难以评估

由于其固有的不精确性，通常难以确定聚类分析结果的验证或评估。

无监督

由于这是一种无监督的学习策略，因此分析仅基于当前的特征;因此，不需要严格的监管。

什么是分类？

分类需要为现有情况或类别分配标签;因此，术语“分类”。例如，表现出某些学习特征的学生被归类为视觉学习者。

分类也称为“监督学习技术”，其中机器从已经标记或分类的数据中学习。它非常适用于模式识别，统计和生物识别。

分类特征

利用“分类器”

为了分析数据，分类器是一种定义的算法，具体地将信息映射到特定的类。例如，分类算法将训练模型以识别某个细胞是恶性的还是良性的。

通过通用度量标准进行评估

分类分析的质量通常通过精确和召回来评估，这是常用的度量程序。评估分类器在识别输出时的准确性和灵敏度。

监督

分类是一种监督学习技术，因为它基于可比较的特征来分配先前确定的身份。它从标记的训练集中推导出一个函数。