数据分类和聚类有什么区别

简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。

聚类分析和分类分析 聚类分析和分类分析的实训设备

聚类分析和分类分析 聚类分析和分类分析的实训设备

聚类分析和分类分析 聚类分析和分类分析的实训设备

简单地说，聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。

区别是，分类是事先定义好类别 ，类别数不变 。分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴。聚类则没有事先预定的类别，类别数不确定。 聚类不需要人工标注和预先训练分类器，类别在聚类过程中自动生成 。分类适合类别或分类体系已经确定的场合，比如按照国图分类法分类图书；聚类则适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎结果后聚类(元搜索)等。

分类的目的是学会一个分类函数或分类模型(也常常称作分类器 ),该模型能把数据库中的数据项映射到给定类别中的某一个类中。 要构造分类器，需要有一个训练样本数据集作为输入。训练集由一组数据库记录或元组构成，每个元组是一个由有关字段(又称属性或特征)值组成的特征向量，此外，训练样本还有一个类别标记。一个具体样本的形式可表示为：(v1,v2,...,vn; c)；其中vi表示字段值，c表示类别。分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。

聚类(clustering)是指根据“物以类聚”原理，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的叫做簇，并且对每一个这样的簇进行描述的过程。它的目的是使得属于同一个簇的样本之间应该彼此相似，而不同簇的样本应该足够不相似。与分类规则不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。聚类技术正在蓬勃发展，涉及范围包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等领域，聚类分析已经成为数据挖掘研究领域中一个非常活跃的研究课题。常见的聚类算法包括：K-均值聚类算法、K-中心点聚类算法、CLARANS、 BIRCH、CLIQUE、DBSCAN等。

你好，

简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。

简单地说，聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。

区别是，分类是事先定义好类别 ，类别数不变 。分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴。聚类则没有事先预定的类别，类别数不确定。 聚类不需要人工标注和预先训练分类器，类别在聚类过程中自动生成 。分类适合类别或分类体系已经确定的场合，比如按照国图分类法分类图书；聚类则适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎结果后聚类(元搜索)等。

分类的目的是学会一个分类函数或分类模型(也常常称作分类器 ),该模型能把数据库中的数据项映射到给定类别中的某一个类中。 要构造分类器，需要有一个训练样本数据集作为输入。训练集由一组数据库记录或元组构成，每个元组是一个由有关字段(又称属性或特征)值组成的特征向量，此外，训练样本还有一个类别标记。一个具体样本的形式可表示为：(v1,v2,...,vn; c)；其中vi表示字段值，c表示类别。分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。

聚类(clustering)是指根据“物以类聚”原理，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的叫做簇，并且对每一个这样的簇进行描述的过程。它的目的是使得属于同一个簇的样本之间应该彼此相似，而不同簇的样本应该足够不相似。与分类规则不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。聚类技术正在蓬勃发展，涉及范围包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等领域，聚类分析已经成为数据挖掘研究领域中一个非常活跃的研究课题。常见的聚类算法包括：K-均值聚类算法、K-中心点聚类算法、CLARANS、 BIRCH、CLIQUE、DBSCAN等。

希望回答对您有帮助.

分类是指有监督的学习，即要分类的样本是有标记的,类别是已知的；聚类是指无监督的学习，样本没有标记，根据某种相似度度量把样本聚为k类。

分类是向下细分，聚类是向上汇总。

自动分类是指由计算机自动提取信息的特征项，依据一定的算法，将信息按内容或属性归到一个或多个类别的过程。包括分类聚类。自动分类需要确定一个后台的分类表，根据既定的分类规则，将待分类文献确定一个或多个类别。自动聚类不需要事先定义好分类体系，完全依靠数学分析方法提取类目，并根据类目积聚相似的对象。相比较而言自动聚类比自动分类在技术上更容易实现。

分类是数据挖掘中的一项非常重要的任务，利用分类技术可以从数据集中提取描述数据类的一个函数或模型（也常称为分类器），并把数据集中的每个对象归结到某个已知的对象类中。从机器学习的观点，分类技术是一种有指导的学习，即每个训练样本的数据对象已经有类标识，通过学习可以形成表达数据对象与类标识间对应的知识。

聚类分析是在没有给定划分类别的情况下,根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同,

数据分类和聚类它是有区别的。

聚类与分类分析之间有什么区别

通常，为有监督分类提供若干已标记的模式(预分类过)，需要解决的问题是为一个新遇到的但无标记的模式进行标记。在典型的情况下，先将给定的无标记的模式用来学习〔训练)，反过来再用来标记一个新模式。聚类需要解决的问题是将已给定的若千无标记的模式聚集起来使之成为有意义的聚类。从某种意义上说，标一记也与聚类相关，但这些类型的标记是由数据驱动的，也就是说，只是从数据中得到这些标记。聚类与数据挖掘中的分类不同，在分类模块中，对于目标数据库中存在哪些类是知道的，要做的就是将每一条记录分别属于哪一类标记出来:与此相似但又不同的是，聚类是在预先不知道目标数据库到底有多少类的情况下，希望将所有的记录组成不同的类或者说“聚类”，并且使得在这种分类情况下，以某种度量为标准的相似性，在同一聚类之间最小化，而在不同聚类之间化。事实上，聚类算法中很多算法的相似性都是基于距离的，而且由于现实数据库中数据类型的多样性，关于如何度量两个含有非数值型字段的记录之间的距离的讨论有很多，并提出了相应的算法。在很多应用中，聚类分析得到的每一个类中的成员都可以被统一看待。

聚类和分类的区别

聚类是指利用计算机根据样本之间的相似度将整个样本聚集成若干个类的过程。其目标是使得属于同一个类的样本尽量相似，而属于不同类的样本别明显。系统聚类法和k-Means算法是目前聚类分析中应用最多的两种方法。分类是根据已经掌握的每类若干样本的数据信息，总结出分类的规律性，建立判别公式和判别规则。

聚类和分类

当遇到新的样本时，只需根据判别公式和判别规则，就能判别该样本所属的类别。分类技术包括统计、模式识别、人工智能、神经网络等多个领域。目前常用的分类方法有Bayes判别法、k最近邻(kNN)方法、支持向量机(SVM)方法、决策树方法等。聚类是一种无指导的学习过程，而分类则是有指导的学习过程。

聚类和分类的区别还在于：聚类事先没有类表，完全是按照样本间的相似度来进行，即先有样本后有类；而分类则是基于某种预定的类表，将类表中的条目赋给样本，即先有类后有样本。

聚类分析是什么意思?

问题一：聚类什么意思 将物理或抽象对象的 分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的 ，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

请参阅百度百科

baike.baidu/view/31801

问题二：聚类分析，spss聚类分析，聚类算法，Kmeans聚类分析，，求解释都是什么意思什么区别联系。。 聚类分析 是一类算法的总称，也就包含了各种 聚类算法

kmeans 聚类 是指聚类中的一种算法

spss聚类分析 是指使用spss软件进行聚类分析

问题三：聚类分析方法有什么好处 5分 聚类分析：将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类间元素的同质性化和类与类间元素的异质性化。其主要依据是聚到同一个数据集中的样本应该彼此相似，而属于不同组的样本应该足够不相似。

常用聚类方法：系统聚类法，K-均值法，模糊聚类法，有序样品的聚类，分解法，加入法。

注意事项：

1. 系统聚类法可对变量或者记录进行分类，K-均值法只能对记录进行分类；

2. K-均值法要求分析人员事先知道样品分为多少类；

3. 对变量的多元正态性，方齐性等要求较高。

应用领域：细分市场，消费行为划分，设计抽样方案等

优点：聚类分析模型的优点就是直观，结论形式简明。

缺点：在样本量较大时，要获得聚类结论有一定困难。由于相似系数是根据被试的反映来建立反映试间内在联系的指标，而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系，但事物之间却无任何内在联系，此时，如果根据距离或相似系数得出聚类分析的结果，显然是不适当的，但是，聚类分析模型本身却无法识别这类错误。

问题四：什么叫层次聚类分析 聚类通过把目标数据放入少数相对同源的组或“类”（cluster）里。分析表达数据，（1）通过一系列的检测将待测的一组基因的变异标准化，然后成对比较线性协方。（2）通过把用最紧密关联的谱来放基因进行样本聚类，例如用简单的层级聚类（hierarchical clustering）方法。这种聚类亦可扩展到每个实验样本，利用一组基因总的线性相关进行聚类。（3）等级分析（multidimensional scaling ysis,MDS）是一种在二维Euclidean “距离”中显示实验样本相关的大约程度。（4）K-means方法聚类，通过重复再分配类成员来使“类”内分散度最小化的方法。

聚类方法有两个显著的局限：首先，要聚类结果要明确就需分离度很好（well-separated）的数据。几乎所有现存的算法都是从互相区别的不重叠的类数据中产生同样的聚类。但是，如果类是扩散且互相渗透，那么每种算法的的结果将有点不同。结果，每种算法界定的边界不清，每种聚类算法得到各自的最适结果，每个数据部分将产生单一的信息。为解释因不同算法使同样数据产生不同结果，必须注意判断不同的方式。对遗传学家来说，正确解释来自任一算法的聚类内容的实际结果是困难的（特别是边界）。最终，将需要经验可信度通过序列比较来指导聚类解释。

第二个局限由线性相关产生。上述的所有聚类方法分析的仅是简单的一对一的关系。因为只是成对的线性比较，大大减少发现表达类型关系的计算量，但忽视了生物系统多因素和非线性的特点。

从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多的统计分析软件包中，如SPSS、SAS等。

从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。

从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。就数据挖掘功能而言，聚类能够作为一个的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇 作进一步地分析。

聚类分析还可以作为其他数据挖掘任务（如分类、关联规则）的预处理步骤。

数据挖掘领域主要研究面向大型数据库、数据仓库的高效实用的聚类分析算法。

聚类分析是数据挖掘中的一个很活跃的研究领域，并提出了许多聚类算法。

这些算法可以被分为划分方法、层次方法、基于密度方法、基于网格方法和

基于模型方法。

1 划分方法(PAM:PArtitioning mod) 首先创建k个划分，k为要创建的划分个数；然后利用一个循环

定位技术通过将对象从一个划分移到另一个划分来帮助改善划分质量。典型的划分方法包括：

k-means,k-medoids,CLARA(Clustering LARge Application),

CLARANS(Clustering Large Application based upon RANdomized Search).

FCM

2 层次方法(hierarchical mod) 创建一个层次以分解给定的数据集。该方法可以分为自上

而下（分解）和自下而上（合并）两种作方式。为弥补分解与合并的不足，层次合

并经常......>>

问题五：什么是聚类分析？聚类算法有哪几种 聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于

分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行

定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识

难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又

将多元分析的技术引入到数值分类学形成了聚类分析。

聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论

聚类法、聚类预报法等。

聚类分析计算方法主要有如下几种：分裂法(partitioning mods)：层次法(hierarchical

mods)：基于密度的方法(density-based mods): 基于网格的方法(grid-based

mods): 基于模型的方法(model-based mods)。

问题六：几种聚类分析分别适用什么样的情况 简单地说,分类(Categorization or Classification)就是按照某种标准给对象贴标签(label),再根据标签来区分归类.

简单地说,聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程.

区别是,分类是事先定义好类别 ,类别数不变 .分类器需要由人工标注的分类训练语料训练得到,属于有指导学习范畴.聚类则没有事先预定的类别,类别数不确定. 聚类不需要人工标注和预先训练分类器,类别在聚类过程中自动生成 .分类适合类别或分类体系已经确定的场合,比如按照国图分类法分类图书；聚类则适合不存在分类体系、类别数不确定的场合,一般作为某些应用的前端,比如多文档文摘、搜索引擎结果后聚类(元搜索)等.

分类的目的是学会一个分类函数或分类模型(也常常称作分类器 ),该模型能把数据库中的数据项映射到给定类别中的某一个类中. 要构造分类器,需要有一个训练样本数据集作为输入.训练集由一组数据库记录或元组构成,每个元组是一个由有关字段(又称属性或特征)值组成的特征向量,此外,训练样本还有一个类别标记.一个具体样本的形式可表示为：(v1,v2,...,vn; c)；其中vi表示字段值,c表示类别.分类器的构造方法有统计方法、机器学习方法、神经网络方法等等.

聚类(clustering)是指根据“物以类聚”原理,将本身没有类别的样本聚集成不同的组,这样的一组数据对象的 叫做簇,并且对每一个这样的簇进行描述的过程.它的目的是使得属于同一个簇的样本之间应该彼此相似,而不同簇的样本应该足够不相似.与分类规则不同,进行聚类前并不知道将要划分成几个组和什么样的组,也不知道根据哪些空间区分规则来定义组.其目的旨在发现空间实体的属性间的函数关系,挖掘的知识用以属性名为变量的数学方程来表示.聚类技术正在蓬勃发展,涉及范围包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等领域,聚类分析已经成为数据挖掘研究领域中一个非常活跃的研究课题.常见的聚类算法包括：K-均值聚类算法、K-中心点聚类算法、CLARANS、 BIRCH、CLIQUE、DBSCAN等.

问题七：什么是聚类分析和分类分析？两者有何不同之处 聚类分析是无监督的，不需要训练学习。分类是有监督的，需要先对分类器进行训练和学习才能进行分类

聚类与分类分析之间有什么区别 聚类与分类分析之间区别是什么

1、区别是：分类是事先定义好类别，类别数不变。聚类则没有事先预定的类别，类别数不确定。

2、分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴。聚类不需要人工标注和预先训练分类器，类别在聚类过程中自动生成。

3、分类适合类别或分类体系已经确定的场合，比如按照国图分类法分类图书。聚类则适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎结果后聚类。

数据挖掘中分类分析和聚类分析的区别

个人觉得，分类分析 和 聚类分析，分别是之分析这两种方法（分类和聚类）的方法，比如分类分析的内容有分析在此样本情况下能够被分类的程度，并且依据此分析重新分布数据，使得数据更容易被分析，相关技术有多类判别分析、主成分分析。聚类分析指类似的能够衡量一个聚类方法的方法。小弟拙见，也是数据挖掘初学者。

我觉得分类是已知有哪些类型。而聚类有时候可以发现我们所不熟知的类别，根据数据内部结构特征，物以类聚，这个类别我们有时候是不知道的，甚至聚类后我们无法解释。

这样也导致分类采用监督分类，一般有训练样本（因为知道类型），而聚类多采用非监督的（因为不知道类型）

当然我们一般有时候聚类分析和分类分析没有分得特别清楚。聚类分析和分类分析都是来进行分门别类，发现数据间的共性和个性。

个人看法，仅供参考

简单的说，分类是一种有监督的学习，事先知道训练样本的标签，通过挖掘将属于不同类别标签的样本分开，可利用得到的分类模型，预测样本属于哪个类别。而聚类是一种无监督的学习，事先不知道样本的类别标签，通过对相关属性的分析，将具有类似属性的样本聚成一类。

聚类分析的定义

依据研究对象（样品或指标）的特征，对其进行分类的方法，减少研究对象的数目。

各类事物缺乏可靠的历史资料，无法确定共有多少类别，目的是将性质相近事物归入一类。

各指标之间具有一定的相关关系。

聚类分析(cluster ysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。

聚类分析区别于分类分析(classification ysis) ，后者是有监督的学习。

变量类型：定类变量、定量（离散和连续）变量 1,层次聚类（Hierarchical Clustering）

合并法、分解法、树状图

2. 非层次聚类

划分聚类、谱聚类

聚类方法特征： 聚类分析简单、直观。

聚类分析主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者的主观判断和后续的分析； 不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到分成若干类别的解； 聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响。

研究者在使用聚类分析时应特别注意可能影响结果的各个因素。

异常值和特殊的变量对聚类有较大影响当分类变量的测量尺度不一致时，需要事先做标准化处理。

当然，聚类分析不能做的事情是：自动发现和告诉你应该分成多少个类——属于非监督类分析方法

期望能很清楚的找到大致相等的类或细分市场是不现实的；

样本聚类，变量之间的关系需要研究者决定；

不会自动给出一个聚类结果；

我这里提到的聚类分析主要是谱系聚类（hierarchical clustering）和快速聚类（K-means）、两阶段聚类（Two-Step）；

根据聚类变量得到的描述两个个体间（或变量间）的对应程度或联系紧密程度的度量。

可以用两种方式来测量：1、采用描述个体对（变量对）之间的接近程度的指标，例如“距离”，“距离”越小的个体（变量）越具有相似性。

2、采用表示相似程度的指标，例如“相关系数”，“相关系数”越大的个体（变量）越具有相似性。

计算聚类——距离指标D(distance)的方法非常多：按照数据的不同性质，可选用不同的距离指标。

欧氏距离(Euclidean distance)、欧氏距离的平方(Squared Euclidean distance)、曼哈顿距离(Block)、切比雪夫距离(Chebychev distance)、卡方距离(Chi-Square measure) 等；相似性也有不少，主要是皮尔逊相关系数了！ 聚类变量的测量尺度不同，需要事先对变量标准化； 聚类变量中如果有些变量非常相关，意味着这个变量的权重会更大 欧式距离的平方是最常用的距离测量方法； 聚类算法要比距离测量方法对聚类结果影响更大； 标准化方法影响聚类模式： 变量标准化倾向产生基于数量的聚类； 样本标准化倾向产生基于模式的聚类； 一般聚类个数在4－6类，不易太多，或太少； 群重心

群中心

群间距离 定义问题与选择分类变量

聚类方法

确定群组数目

聚类结果评估

结果的描述、解释 属于非层次聚类法的一种

（1）执行过程

初始化：选择（或人为指定）某些记录作为凝聚点

循环：

按就近原则将其余记录向凝聚点凝集

计算出各个初始分类的中心位置（均值）

用计算出的中心位置重新进行聚类

如此反复循环，直到凝聚点位置收敛为止

（2）方法特点

通常要求已知类别数

可人为指定初始位置

节省运算时间

样本量大于100时有必要考虑

只能使用连续性变量 特点：

处理对象：分类变量和连续变量

自动决定分类数

快速处理大数据集

前提设：

变量间彼此

分类变量服从多项分布，连续变量服从正态分布

模型稳健 步：逐个扫描样本，每个样本依据其与已扫描过的样本的距离，被归为以前的类，或生成一个新类

第二步，对步中各类依据类间距离进行合并，按一定的标准，停止合并

判别分析 Discriminant Analysis

介绍： 判别分析

分类学是人类认识世界的基础科学。

聚类分析和判别分析是研究事物分类的基本方法，广泛地应用于自然科学、科学、工农业生产的各个领域。

判别分析DA

概述

DA模型

DA有关的统计量

两组DA

案例分析

判别分析

判别分析是根据表明事物特点的变量值和它们所属的类，求出判别函数。

根据判别函数对未知所属类别的事物进行分类的一种分析方法。

核心是考察类别之间的异。

判别分析

不同：判别分析和聚类分析不同的在于判别分析要求已知一系列反映事物特征的数值变量的值，并且已知各个体的分类。

DA适用于定类变量（因）、任意变量（自）

两类：一个判别函数；

多组：一个以上判别函数

DA目的

建立判别函数

检查不同组之间在有关预测变量方面是否有显著异

决定哪个预测变量对组间异的贡献

根据预测变量对个体进行分类

数据挖掘中分类和聚类有什么区别？

分类是数据挖掘中的一项非常重要的任务，利用分类技术可以从数据集中提取描述数据类的一个函数或模型（也常称为分类器），并把数据集中的每个对象归结到某个已知的对象类中。从机器学习的观点，分类技术是一种有指导的学习，即每个训练样本的数据对象已经有类标识，通过学习可以形成表达数据对象与类标识间对应的知识。从这个意义上说，数据挖掘的目标就是根据样本数据形成的类知识并对源数据进行分类，进而也可以预测未来数据的归类。分类具有广泛的应用，例如医疗诊断、的信用分级、图像模式识别。

与分类技术不同，在机器学习中，聚类是一种无指导学习。也就是说，聚类是在预先不知道欲划分类的情况下，根据信息相似度原则进行信息聚类的一种方法。聚 类的目的是使得属于同类别的对象之间的别尽可能的小，而不同类别上的对象的别尽可能的大。因此，聚类的意义就在于将观察到的内容组织成类分层结构，把 类似的事物组织在一起。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间的有趣的关系。

数据聚类分析是一个正在蓬勃发展的领域。聚类技术主要是以统计方法、机器学习、神经网络等方法为基础。比较有代表性的聚类技术是基于几何距离的聚类方法，如欧氏距离、曼哈坦距离、明考斯基距离等。聚类分析广泛应用于商业、生物、地理、网络服务等多种领域。