非监督学习：输入数据没 聚类和分类的区别 有被标记，也没有确定的 结果。样本数据类别未知 需要根据样本间的相似性 对样本集进行分类（聚类 clustering)试图使类内 聚类通常又被称为无监督学习，与监督学习不同，在聚 差距最小化，类间差距最 类中那些表示数据类别的分类或者分组信息是没有的。 大化。通俗点将就是实际 应用中，不少情况下无法 聚类，简单地说就是把相似的东西分到一组，聚类的时 预先知道样本的标签，也 候，我们并不关心某一类是什么，我们需要实现的目标 就是说没有训练样本对应 只是把相似的东西聚到一起。 的类别，因而只能从原先 没有样本标签的样本集开 一个聚类算法通常只需要知道如何计算相似度就可以开 始学习分类器设计。 始工作了，因此聚类通常并不需要使用训练数据进行学 习，这在机器学习中被称作无监督学习。 不需训练，无标签聚类和分类的区别 聚类通常又被称为无监督学习，与监督学习不同，在聚 类中那些表示数据类别的分类或者分组信息是没有的。 聚类，简单地说就是把相似的东西分到一组，聚类的时 候，我们并不关心某一类是什么，我们需要实现的目标 只是把相似的东西聚到一起。 一个聚类算法通常只需要知道如何计算相似度就可以开 始工作了，因此聚类通常并不需要使用训练数据进行学 习，这在机器学习中被称作无监督学习。 不需训练，无标签 非监督学习：输入数据没 有被标记，也没有确定的 结果。样本数据类别未知， 需要根据样本间的相似性 对样本集进行分类（聚类， clustering）试图使类内 差距最小化，类间差距最 大化。通俗点将就是实际 应用中，不少情况下无法 预先知道样本的标签，也 就是说没有训练样本对应 的类别，因而只能从原先 没有样本标签的样本集开 始学习分类器设计