聚类是数据挖掘领域常用的无监督学习算法，在MLlib中聚类算法目前有4种，其中最常用的是k均值算法，广泛应用于文本分类。 积极的美女混合聚类和tmdsc聚类在特定场合有特定的使用。

1 .聚类和分类聚类和分类是数据挖掘中常用的两个概念，它们的算法和计算方式有交叉和区别。 一般分类是指有监督的学习，分类样本有标记，类别已知； 聚类是指无监督学习，样本没有标记，根据某种相似度尺度将样本归入k类。

1 )分类

分类是指根据特征或某个规则把事物分成不同部分的总结方法。 在数据挖掘中，分类是监控学习的一种。

分类的应用很多，例如通过将银行贷款分为不同类别进行审查，或者根据过去的购买历史对客户进行分类，可以找到被称为VIP的用户。 此外，在网络和计算机安全领域，分类技术有助于检测入侵威胁，使安全人员能更好地识别普通访问和入侵之间的区别。

回归和分类的差异是其输出值的差异。 一般来说，分类的输出是离散化的数据类别，回归输出的结果是连续值。

2 )聚类

聚类，顾名思义，是指将一组对象划分为几个类，每个类的对象之间相似度高，不同类的对象之间相似度低或明显不同。 聚类是一种无监督学习。

聚类的目的是分析相同特性的数据，使样品之间具有一定的相似性。 这意味着可以用统一的格式编写不同的数据和示例，但不同的群集组之间没有这种特性。

与聚类的不同之处在于，聚类算法在工作前不知道结果，最终将数据集或样本划分为几个簇集，不知道每个簇集之间的数据有什么规则。 聚类的目的是发现数据或者样本属性之间的规律，并且可以用什么函数关系表示。

2.k均值算法k均值算法是最经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。 k均值算法的基本思想是围绕空间中的k个点进行聚类，并对最接近它们的对象进行分类。 通过迭代的方法，逐次更新各聚类中心的值，直到获得最佳聚类结果。

Kmeans由于算法设计的一些基本理念，在数据处理时效率不高。 MLlib充分利用了Spark框架的分布式计算的便利性，提高了计算效率。

k均值的基本思想和核心内容是在算法开始时随机给出几个(k )中心，根据最近距离原则给每个中心点分配采样点，然后用均值法计算聚类中心点位置，重新确定新的中心点位置这样重复进行直到集群内的样本满足阈值。

3 .积极美女混合聚类积极美女在历史上影响巨大，其一生最重要的贡献之一就是发现积极的美女分布。 这也是统计分析书中最重要的部分——正态分布。 MLlib采用积极的美女分布对数据进行分析处理，主要用于对数据进行聚类处理。

我们通常所说的标准正美女分布是=0、=1的正态分布。 积极的美女分布常用于图像处理、数据汇总、模式识别等应用，

对图像噪声的提取、特征分布的辨识等具有重要功能。 以积极的美女分布为基础的单积极的美女分布聚类模型，原理是考察现有的数据建立分布模型，通过带入样本数据计算其值是否在阈值范围内

混合积极美女模型是在单积极美女模型的基础上发展起来的，主要是为了解决单积极美女模型对混合数据聚合不理想的情况。 在样本数据已知的情况下，训练获得模型参数，进行极大似然估计。

4 .快速迭代聚类快速迭代聚类是一种谱聚类。 谱聚类是近期聚类研究的热点问题，是一种基于图论理论的新聚类方法。 快速迭代聚类的基本原理是利用含权重的有向图将样本数据连接成一张有向图，通过相似度分类使分割后的子图内部具有最大相似度，不同的子图具有最小相似度来达到聚类的效果。

谱聚类的基本原理是利用计算得到的样本相似度，组成一个相似度矩阵进行聚类计算。

无监督学习是指没有事先的定义和标注，算法自行完成分类和聚合，是一种探索性的分析。 聚类算法是根据自身的算法，自动搜索和处理数据，但往往会根据处理时间的不同、循环迭代次数的不同以及方法的先后顺序得到不同的聚类结论。 即使不同的工作人员处理同一组数据，结果也差不多。