分類(classification )是這樣的過程：它找出描述并區(qū)分數(shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預(yù)測類標記未知的對象類。分類分析在數(shù)據(jù)挖掘中是一項比較重要的任務(wù), 目前在商業(yè)上應(yīng)用最多。分類的目的是學(xué)會一個分類函數(shù)或分類模型(也常常稱作分類器),該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中的某一個類中。
分 類和回歸都可用于預(yù)測，兩者的目的都是從歷史數(shù)據(jù)紀錄中自動推導(dǎo)出對給定數(shù)據(jù)的推廣描述，從而能對未來數(shù)據(jù)進行預(yù)測。與回歸不同的是，分類的輸出是離散的 類別值，而回歸的輸出是連續(xù)數(shù)值。二者常表現(xiàn)為決策樹的形式，根據(jù)數(shù)據(jù)值從樹根開始搜索，沿著數(shù)據(jù)滿足的分支往上走，走到樹葉就能確定類別。
要構(gòu) 造分類器，需要有一個訓(xùn)練樣本數(shù)據(jù)集作為輸入。訓(xùn)練集由一組數(shù)據(jù)庫記錄或元組構(gòu)成，每個元組是一個由有關(guān)字段(又稱屬性或特征)值組成的特征向量，此外， 訓(xùn)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(gòu)造方法有統(tǒng)計方法、機器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)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(yù)測準確度；2)計算復(fù)雜度；3)模型描述的簡潔度。預(yù)測準確度是用得最多的一種比較尺度，特別是對于預(yù)測型分類任務(wù)。計算復(fù)雜 度依賴于具體的實現(xiàn)細節(jié)和硬件環(huán)境，在數(shù)據(jù)挖掘中，由于操作對象是巨量的數(shù)據(jù)，因此空間和時間的復(fù)雜度問題將是非常重要的一個環(huán)節(jié)。對于描述型的分類任 務(wù)，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(shù)據(jù)的特點有關(guān)，有的數(shù)據(jù)噪聲大，有的有空缺值，有的分布稀疏，有的字段或?qū)傩蚤g相關(guān)性強，有的屬性是離散的而有的是連續(xù)值或混合式的。目前普遍認為不存在某種方法能適合于各種特點的數(shù)據(jù)

聚類(clustering)是指根據(jù)“物以類聚”的原理，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應(yīng)該彼此相 似，而不同簇的樣本應(yīng)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和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨 在發(fā)現(xiàn)空間實體的屬性間的函數(shù)關(guān)系，挖掘的知識用以屬性名為變量的數(shù)學(xué)方程來表示。
當前，聚類技術(shù)正在蓬勃發(fā)展，涉及范圍包括數(shù)據(jù)挖掘、統(tǒng)計學(xué)、 機器學(xué)習(xí)、空間數(shù)據(jù)庫技術(shù)、生物學(xué)以及市場營銷等領(lǐng)域，聚類分析已經(jīng)成為數(shù)據(jù)挖掘研究領(lǐng)域中一個非?；钴S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。