簡單地說
分類就是按照某種標準給對象貼標籤，再根據標籤來區分歸類。
聚類是指事先沒有標籤而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是：
分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。 聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 （類的數量提前確定）。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作爲某些應用的前端，比如多文檔文摘、搜索引擎結果後聚類(元搜索)等。
分類的目的是學會一個分類函數或分類模型(也常常稱作分類器 ),該模型能把數據庫中的數據項映射到給定類別中的某一個類中。 要構造分類器，需要有一個訓練樣本數據集作爲輸入。訓練集由一組數據庫記錄或元組構成，每個元組是一個由有關字段(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有一個類別標記。一個具體樣本的形式可表示爲：(v1,v2,…,vn; c)；其中vi表示字段值，c表示類別。分類器的構造方法有統計方法、機器學習方法、神經網絡方法等等。
聚類(clustering)是指根據“物以類聚”原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數據對象的集合叫做簇，並且對每一個這樣的簇進行描述的過程。它的目的是使得屬於同一個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。其目的旨在發現空間實體的屬性間的函數關係，挖掘的知識用以屬性名爲變量的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括數據挖掘、統計學、機器學習、空間數據庫技術、生物學以及市場營銷等領域，聚類分析已經成爲數據挖掘研究領域中一個非常活躍的研究課題。常見的聚類算法包括：K-均值聚類算法、K-中心點聚類算法、CLARANS、 BIRCH、CLIQUE、DBSCAN等。