1.簡單地說，分類就是按照某種標準給對象貼標簽，再根據(jù)標簽來區(qū)分歸類。聚類是指實現(xiàn)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。

2.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。

3. 分類的目的是學會一個分類函數(shù)或分類模型(也常常稱作為分類器)，該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定的類別中的某一個類中。要構造分類器，需要一個訓練樣本數(shù)據(jù)集作為輸入。訓練集由一組數(shù)據(jù)庫記錄或元組構成，每個元組是一個由有關字段(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。分類器的構造方法有統(tǒng)計方法、機器學習方法和神經(jīng)網(wǎng)絡方法等等。

? ? 聚類是根據(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彼此相似，而不同簇的樣本應該足夠不相似。

? ? 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合什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的志在發(fā)現(xiàn)空間實體的屬性間的函數(shù)關系，挖掘的知識用以屬性名為變量的數(shù)學方差來表示。聚類技術正在蓬勃發(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、生物學以及市場營銷等領域，聚類分析以及稱為數(shù)據(jù)挖掘研究領域中一個非?；钴S的研究課題。

? ? 常見的聚類算法包括：K-Means，K-中心點聚類算法，CLARANS、 BIRCH、CLIQUE、DBSCAN等。