雖然都是把某個對象劃分到某個類別中，但是分類的類別是已經預定義的，而聚類操作時，某個對象所屬的類別卻不是預定義的。所以，對象所屬類別是否為事先，是二者的最基本區別。而這個區別，僅僅是從算法實現流程來看的。

本文幫助客戶對數據進行聚類和分類，需要得到的結果是，聚類的二維效果圖，聚類個數，聚類中心點值。用聚類得到的結果貝葉斯建模后去預測分類。需要得到貝葉斯的模型精度，分類預測結果。

K-Means聚類成3個類別

聚類算法(clustering analysis)是指將一堆沒有標簽的數據自動劃分成幾類的方法，屬于無監督學習方法。K-means算法，也被稱為K-平均或K-均值，是一種廣泛使用的聚類算法，或者成為其他聚類算法的基礎，它是基于點與點距離的相似度來計算最佳類別歸屬。幾個相關概念：

K值：要得到的簇的個數；

質心：每個簇的均值向量，即向量各維取平均即可；

距離量度：常用歐幾里得距離和余弦相似度(先標準化)；

kmeans(data, 3)

聚類中心

聚類繪圖

lusplot(data, fit$cluster

將數據使用kmean算法分成3個類別后可以看到 每個類別之間分布呈不同的簇，交集較少 ，因此 可以認為得到的聚類結果較好。