文本分類和聚類有什麼區別
人和選擇性排序的垃圾
文本分類和聚類有什麼區別
簡單點說：
1）分類是將一篇文章或文本自動識別出來，按照已經定義好的類別進行匹配，確定。
2）聚類就是將一組的文章或文本信息進行相似性的比較，將比較相似的文章或文本信息歸為同一組的技術。
分類和聚類都是將相似對象歸類的過程。
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，比如多文檔文摘、搜索引擎結果後聚類(元搜索)等。
分類(classification )
是找出描述並區分數據類或概念的模型(或函數)，以便能夠使用模型預測類標記未知的對象類。分類技術在數據挖掘中是一項重要任務,目前商業上應用最多。分類的目的是學會一個分類函數或分類模型(也常常稱作分類器),該模型能把數據庫中的數據項映射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數據集作為輸入。
訓練集由一組數據庫記錄或元組構成，每個元組是一個由有關字段(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表示字段值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網絡方法等等。
不同的分類器有不同的特點。
有三種分類器評價或比較尺度：
1)預測準確度；
2)計算複雜度；
3)模型描述的簡潔度。
預測準確度是用得最多的一種比較尺度，特別是對於預測型分類任務。
計算複雜度依賴於具體的實現細節和硬件環境，在數據挖掘中，由於操作對象是巨量的數據，因此空間和時間的複雜度問題將是非常重要的一個環節。
對於描述型的分類任務，模型描述越簡潔越受歡迎。
另外要注意的是，分類的效果一般和數據的特點有關，有的數據噪聲大，有的有空缺值，有的分佈稀疏，有的字段或屬性間相關性強，有的屬性是離散的而有的是連續值或混合式的。
目前普遍認為不存在某種方法能適合於各種特點的數據。
聚類(clustering)
是指根據“物以類聚”原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數據對象的集合叫做簇，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數關係，挖掘的知識用以屬性名為變量的數學方程來表示。
聚類技術正在蓬勃發展，涉及範圍包括數據挖掘、統計學、機器學習、空間數據庫技術、生物學以及市場營銷等領域，聚類分析已經成為數據挖掘研究領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。
閱讀更多 剪點詞 的文章
