分类是把某个对象划分到某个具体的已经定义的类别当中，而聚类是把一些对象按照具体特征组织到若干个类别里。
虽然都是把某个对象划分到某个类别中，但是分类的类别是已经预定义的，而聚类操作时，某个对象所属的类别却不是预定义的。
所以，对象所属类别是否为事先，是二者的最基本区别。而这个区别，仅仅是从算法实现流程来看的。
本文帮助客户对数据进行聚类和分类，需要得到的结果是，聚类的二维效果图，聚类个数，聚类中心点值。
用聚类得到的结果贝叶斯建模后去预测分类。需要得到贝叶斯的模型精度，分类预测结果。
K-Means聚类成3个类别
聚类算法(clustering analysis)是指将一堆没有标签的数据自动划分成几类的方法，属于无监督学习方法。 K-means算法，也被称为K-平均或K-均值，是一种广泛使用的聚类算法，或者成为其他聚类算法的基础，它是基于点与点距离的相似度来计算最佳类别归属。几个相关概念：
K值：要得到的簇的个数；
质心：每个簇的均值向量，即向量各维取平均即可；
距离量度：常用欧几里得距离和余弦相似度(先标准化)；
kmeans(data, 3)
聚类中心
可下载资源
聚类绘图
lusplot(data, fit$cluster
视频
KMEANS均值聚类和层次聚类：R语言分析生活幸福质量系数可视化实例
视频
贝叶斯推断线性回归与R语言预测工人工资数据
将数据使用kmean算法分成3个类别后可以看到 每个类别之间分布呈不同的簇，交集较少 ，因此 可以认为得到的聚类结果较好。
计算贝叶斯训练模型
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法 。
和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
朴素贝叶斯算法（Naive Bayesian algorithm) 是应用最为广泛的分类算法之一。
也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。
虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。
head(train)
建立贝叶斯模型
naiveBayes(as.factor(clus
随时关注您喜欢的主题
贝叶斯的模型精度
tab=table(preds,train[,ncol(train)])#分类混淆矩阵
tab
进行预测
predict(m, datapred,type="clas
预测分类
preds
K-Means聚成两个类别
fit <- kmeans(dat
聚类中心
fit$centers
usplot(data, fit
交集较少 ，因此可以认为得到的聚类结果较好
将数据使用kmean算法分成2个类别后可以看到每个类别之间分布呈不同的簇。
建立贝叶斯模型
naiveBayes(as.factor(clu
贝叶斯的模型精度
table(preds,train[,n进行预测
predict(m, datapred,type="cla
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验
R语言层次聚类、多维缩放MDS分类RNA测序（RNA-seq）乳腺发育基因数据可视化|附数据代码
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
Python众筹项目结果预测：优化后的随机森林分类器可视化
