一、概念
分類：通過訓練集訓練出來一個模型，用於判斷新輸入數據的類型，而在訓練的過程中，一定需要有標簽的數據，即訓練集本身就帶有標簽。簡單來說，用已知的數據來對未知的數據進行划分。這是一種有監督學習。
聚類：對於一組數據，你根本不知道數據之間的關系，不知道他們是否屬於同一類，抑或屬於不同類別，也不知道到底可以分為多少類。這個時候，我們就需要聚類算法來對數據進行一個關系分析，通過聚類，我們可以把未知類別的數據，分為一類或者多類，這個過程是不需要標簽的，這是一種無監督學習。
二、區別
給出一張圖簡要道出兩者區別，圖片來源：https://www.zhihu.com/question/42044303/answer/470589507
解釋一下第五條：步數問題
對於分類問題，首先需要使用帶標簽的訓練集來訓練一個分類器出來，然后再將要分類的數據輸入到分類器進行類別划分，所以說是兩步。
對於聚類問題，只需要直接對數據進行處理，尋找數據之間相同之處來對數據進行划分類別，相對於分類來說這里只有一步。
三、常用對應算法
1.分類算法：
- K近鄰（KNN）
- 邏輯回歸
- 支持向量機
- 朴素貝葉斯
- 決策樹
- 隨機森林
2.聚類算法 ：
- K均值（K-means）
- FCM（模糊C均值聚類）
- 均值漂移聚類
- DBSCAN
- DPEAK
- Mediods
- Canopy