在数据分析方面，聚类和分类是两种技术。

分类：分类实际上是从特定的数据中挖掘规律并做出判断的过程。 意味着我们已经知道事物的类别，需要从样本中学习分类规则，是一种引导学习。 例如，Gmail 邮箱中有一个垃圾邮件分类器。 一开始，它可能不会过滤任何东西。 在日常使用过程中，我手动为每封邮件点击“垃圾邮件”或“非垃圾邮件”。 过一段时间，Gmail就会体现出一定的智能，可以自动过滤掉一些垃圾邮件。 这是因为在点击的过程中，实际上给每封邮件都贴上了“标签”。 这个标签只有两个值，要么是“垃圾”要么是“不是垃圾”，Gmail会不断研究邮件哪些特征是垃圾邮件，哪些特征不是垃圾邮件，形成一些辨别模式，这样当一封邮件到达时 ，可以自动分为“垃圾邮件”和“非垃圾邮件”，这是我们手动设置的两个分类。 中的一个。

聚类：聚类的目的是对数据进行分类，但是我们不知道如何预先对数据进行分类。 判断数据块之间的相似度完全是算法本身。 只是把它放在一起。 在聚类结论出来之前，我们根本不知道每个类别的特征。 我们必须通过人类经验来分析聚类结果，看看聚类的类别具有什么特征。

聚类分析：是将研究对象划分为相对同质的群体（簇）的一组统计分析技术。 聚类分析也称为分类分析，或数值分类。 聚类的输入是一组未标记的样本，聚类根据数据本身的距离或相似性将其分成若干组。 划分的原则是最小化组内距离，最大化组间（外）距离。

聚类和分类的区别：分类的目标是预先知道的，但聚类是不同的。 聚类事先并不知道目标变量是什么，类别也不像分类那样预先定义好。 即分类是有监督学习，聚类是无监督学习。

本文介绍了机器学习中一个经典实用的聚类算法—k-means