分类预测的基本过程：历史数据是训练数据，要预测的数据称为测试数据，而结果称为类标签。分类预测主要有学习和分类两个阶段：利用数据进行模型参数的调节过程称为训练和学习，训练的结果是产生一个分类器或者分类模型，进而可以根据这个模型对测试数据进行预测，得到相应的类标签结果。类标签的数据种类分为二分类或多酚类。训练数据是有已知的类标签，而且训练数据除类标签外，其余部分的结构和测试数据需要完全一致，即特征数量要对应。分类算法有：决策树、朴素贝叶斯，神经网络，SVM，逻辑回归。
聚类：将本身没有类别的样本聚集称不同的组，这样的一组数据对象的集合称为簇，并且对每一个这样的簇都进行描述的过程。聚类的目的是使属于同一个簇的样本之间彼此相似，而不同簇的样本之间足够不相似。
与分类不同的是：进行聚类前并不知道将要划分的组的个数和类型，没有定义标签或者目标值，聚类归于无监督学习任务。
聚类方法：K-means, k-中心点法。
尤其是在处理海量数据的时候，如果通过预处理使得数据满足分类算法的要求，则代价非常大，这时候可以考虑使用聚类算法