數(shù)據(jù)挖掘中分類、預測、聚類的定義和區(qū)別。

你好，
簡單地說，分類(categorization
or
classification)就是按照某種標準給對象貼標簽(label)，再根據(jù)標簽來區(qū)分歸類。
簡單地說，聚類是指事先沒有“標簽”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(qū)別是，分類是事先定義好類別
，類別數(shù)不變
。分類器需要由人工標注的分類訓練語料訓練得到，屬于有指導學習范疇。聚類則沒有事先預定的類別，類別數(shù)不確定。
聚類不需要人工標注和預先訓練分類器，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(jīng)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(shù)不確定的場合，一般作為某些應(yīng)用的前端，比如多文檔文摘、搜索引擎結(jié)果后聚類(元搜索)等。
分類的目的是學會一個分類函數(shù)或分類模型(也常常稱作分類器
),該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中的某一個類中。
要構(gòu)造分類器，需要有一個訓練樣本數(shù)據(jù)集作為輸入。訓練集由一組數(shù)據(jù)庫記錄或元組構(gòu)成，每個元組是一個由有關(guān)字段(又稱屬性或特征)值組成的特征向量，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表示字段值，c表示類別。分類器的構(gòu)造方法有統(tǒng)計方法、機器學習方法、神經(jīng)網(wǎng)絡(luò)方法等等。
聚類(clustering)是指根據(jù)“物以類聚”原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對象的集合叫做簇，并且對每一個這樣的簇進行描述的過程。它的目的是使得屬于同一個簇的樣本之間應(yīng)該彼此相似，而不同簇的樣本應(yīng)該足夠不相似。與分類規(guī)則不同，進行聚類前并不知道將要劃分成幾個組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實體的屬性間的函數(shù)關(guān)系，挖掘的知識用以屬性名為變量的數(shù)學方程來表示。聚類技術(shù)正在蓬勃發(fā)展，涉及范圍包括數(shù)據(jù)挖掘、統(tǒng)計學、機器學習、空間數(shù)據(jù)庫技術(shù)、生物學以及市場營銷等領(lǐng)域，聚類分析已經(jīng)成為數(shù)據(jù)挖掘研究領(lǐng)域中一個非常活躍的研究課題。常見的聚類算法包括：k-均值聚類算法、k-中心點聚類算法、clarans、
birch、clique、dbscan等。
希望回答對您有幫助.

數(shù)據(jù)分析挖掘這塊，建議樓主看看帆軟公司的finebi，挺不錯的，強烈推薦一個！