1樓：
1. 可擴充套件性(scalability)
大多數來自於機器學習和統計學領域的聚類演算法在處理數百條資料時能表現出高效率
2. 處理不同資料型別的能力
數字型；二元型別，分型別/標稱型，序數型,比例標度型等等3. 發現任意形狀的能力
基於距離的聚類演算法往往發現的是球形的聚類，其實現實的聚類是任意形狀的4. 用於決定輸入引數的領域知識最小化
對於高維資料，引數很難決定，聚類的質量也很難控制5. 處理噪聲資料的能力
對空缺值、孤立點、資料噪聲不敏感
6. 對於輸入資料的順序不敏感
同一個資料集合，以不同的次序提交給同一個演算法，應該產生相似的結果7. 高維度
高維度的資料往往比較稀鬆，而且高度傾斜
8. 基於約束的聚類
找到既滿足約束條件，又具有良好聚類特性的資料分組9. 可解釋性和可用性
聚類要和特定的語**釋和應用相聯絡
相異度矩陣：儲存n個物件兩兩之間的近似性，也叫單模矩陣，行和列代表相同的實體
2樓：匿名使用者
這個要看具體的聚類演算法，不同的演算法對資料的要求是不同的。例如對k-means演算法要求：
資料型別，不適用分類屬性
樣本分佈：不適合非凸形狀，
資料分佈：噪聲和離群點敏感
對聚類倒是有一定的要求，對聚類的典型要求如下：
可伸縮性
處理不同型別屬性的能力
發現任意形狀的聚類
用於決定輸入引數的領域知識最小化
處理噪聲資料的能力
資料探勘中 聚類演算法 資料集在什麼地方獲取的? 5
3樓：匿名使用者
可以使用uci上的標準資料集上的也行
其次是你看文顯時文中提到的可以獲得的資料及集
資料探勘中分類和聚類有什麼區別？
4樓：day忘不掉的痛
你好，簡單地說，分類(categorization or classification)就是按照某種標準給物件貼標籤(label)，再根據標籤來區分歸類。
簡單地說，聚類是指事先沒有“標籤”而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會一個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某一個類中。 要構造分類器，需要有一個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是一個由有關欄位(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有一個類別標記。
一個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示欄位值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據“物以類聚”原理，將本身沒有類別的樣本聚整合不同的組，這樣的一組資料物件的集合叫做簇，並且對每一個這樣的簇進行描述的過程。它的目的是使得屬於同一個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中一個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
希望回答對您有幫助.
5樓：上官涵梅洛寄
sc-cpda
資料分析師公眾交流平臺
詳細看我資料
區分是將目標類資料物件的一般特性與一個或多個對比類物件的一般特性進行比較。例如，具有高gpa
的學生的一般特性可被用來與具有低gpa
的一般特性比較。最終的描述可能是學生的一個一般可比較的輪廓，就像具有高gpa
的學生的75%是四年級電腦科學專業的學生，而具有低
gpa的學生的65%不是。
關聯是指發現關聯規則，這些規則表示一起頻繁發生在給定資料集的特徵值的條件。例如，一個資料探勘系統可能發現的關聯規則為：major(x,
“computing
science”)
⇒owns(x,
“personal
computer”)
[support=12%,
confidence=98%]
其中，x
是一個表示學生的變數。這個規則指出正在學習的學生，12%
（支援度）主修電腦科學並且擁有一臺個人計算機。這個組一個學生擁有一臺個人電腦的概率是98%（置信度，或確定度）。
分類與**
不同，因為前者的作用是構造一系列能描述和區分資料型別或概念的模型（或功能），而後者是建立一個模型去**缺失的或無效的、並且通常是數字的資料值。它們的相似性是他們都是**的工具：
分類被用作**目標資料的類的標籤，而**典型的應用是**缺失的數字型資料的值。
聚類分析的資料物件不考慮已知的類標號。物件根據最大花蕾內部的相似性、最小化類之間的相似性的原則進行聚類或分組。形成的每一簇可以被看作一個物件類。
聚類也便於分類法組織形式，將觀測組織成類分層結構，把類似的事件組織在一起。
資料演變分析描述和模型化隨時間變化的物件的規律或趨勢，儘管這可能包括時間相關資料的特徵化、區分、關聯和相關分析、分類、或**，這種分析的明確特徵包括時間序列資料分析、序列或週期模式匹配、和基於相似性的資料分析
6樓：張得帥
分類是資料探勘中的一項非常重要的任務，利用分類技術可以從資料集中提取描述資料類的一個函式或模型（也常稱為分類器），並把資料集中的每個物件歸結到某個已知的物件類中。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。從這個意義上說，資料探勘的目標就是根據樣本資料形成的類知識並對源資料進行分類，進而也可以**未來資料的歸類。
分類具有廣泛的應用，例如醫療診斷、信用卡的信用分級、影象模式識別。
與分類技術不同，在機器學習中，聚類是一種無指導學習。也就是說，聚類是在預先不知道欲劃分類的情況下，根據資訊相似度原則進行資訊聚類的一種方法。聚 類的目的是使得屬於同類別的物件之間的差別儘可能的小，而不同類別上的物件的差別儘可能的大。
因此，聚類的意義就在於將觀察到的內容組織成類分層結構，把 類似的事物組織在一起。通過聚類，人們能夠識別密集的和稀疏的區域，因而發現全域性的分佈模式，以及資料屬性之間的有趣的關係。
資料聚類分析是一個正在蓬勃發展的領域。聚類技術主要是以統計方法、機器學習、神經網路等方法為基礎。比較有代表性的聚類技術是基於幾何距離的聚類方法，如歐氏距離、曼哈坦距離、明考斯基距離等。
聚類分析廣泛應用於商業、生物、地理、網路服務等多種領域。
7樓：年年好運
分類 和 聚類分別是：
分類和聚類的方法，比如分類分析的內容有分析在樣本情況下
能夠被分類的程度，依據此分析重新分佈資料，使得資料更容易被分析，相關技術有多類判別分析、主成分分析。
聚類分析指類似的能夠衡量一個聚類方法的方法。
，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。
分類的目的是學會一個分類函式或分類模型，該模型能把資料庫中的資料項對映到給定類別中的某一個類中。
要構造分類器，需要有一個訓練樣本資料集作為輸入。
聚類分析已經成為資料探勘研究領域中一個非常活躍的研究課題。
聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域。
資料探勘中分類和聚類的區別
8樓：day忘不掉的痛
你好，簡單地說，分類(categorization or classification)就是按照某種標準給物件貼標籤(label)，再根據標籤來區分歸類。
簡單地說，聚類是指事先沒有“標籤”而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會一個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某一個類中。 要構造分類器，需要有一個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是一個由有關欄位(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有一個類別標記。
一個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示欄位值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據“物以類聚”原理，將本身沒有類別的樣本聚整合不同的組，這樣的一組資料物件的集合叫做簇，並且對每一個這樣的簇進行描述的過程。它的目的是使得屬於同一個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中一個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
希望回答對您有幫助.
女人對男人的要求是什麼，女人對男人的要求是多少
顏楚隆春 不發脾氣不小心眼的。兩個人要有信任。最好還能勤快點的。但這都只是說 真愛上了，也就包容你各種缺點了 amor灬相惜 我的男人要大方，心底善良，有上進心，在我遇困時給我依靠，讓我時不時的依賴對於家庭有計劃。 危琅濮瀚彭 不抽菸 不喝酒 不沾花惹草 有上進心 且為人正直 對她好 事事依著她，她...
資料分析和資料探勘的區別是什麼？如何做好資料探勘
哆啦愛夢 1,資料分析可以分為廣義的資料分析和狹義的資料分析，廣義的資料分析就包括狹義的資料分析和資料探勘，我們常說的資料分析就是指狹義的資料分析。2,資料分析 狹義 定義 簡單來說，資料分析就是對資料進行分析。專業的說法，資料分析是指根據分析目的，用適當的統計分析方法及工具，對收集來的資料進行處理...
資料分析師和資料探勘工程師的區別是什麼
cda資料分析師 1 資料分析 的重點是觀察資料，而 資料探勘 的重點是從資料中發現 知識規則 2 資料分析 得出的結論是人的智慧活動結果，而 資料探勘 得出的結論是機器從學習集 或訓練集 樣本集 發現的知識規則。3 資料分析 得出結論的運用是人的智力活動，而 資料探勘 發現的知識規則，可以直接應用...