聚类分析和判别分析有相似的作用，都是起到分类的作用。
判别分析是已知分类然后总结出判别规则，是一种有指导的学习；
聚类分析则是有了一批样本，不知道它们的分类，甚至连分成几类也不知道，希望用某种方法把观测进行合理的分类，使得同一类的观测比较接近，不同类的观测相差较多，这是无指导的学习。
所以，聚类分析依赖于对观测间的接近程度（距离）或相似程度的理解，定义不同的距离量度和相似性量度就可以产生不同的聚类结果
基本原理：将数据所研究对象进行分类的统计方法。
将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化。
共同特点是：事先不知道类别的个数和结构，据以进行分析的数据是对象之间的相似性或相异性的数据。
将这些相似（相异）性数据看成是对象之间的“距离”远近的一种度量，将距离近的变量归为一类，不同类之间的对象距离较远。这就是聚类分析方法的共同思路。
常用聚类方法：系统聚类法(层次聚类：每次加入一个)，K-均值法，模糊聚类法，有序样品的聚类，分解法，加入法。[划分聚类：先确定分类的种类]
注意事项：1. 系统聚类法可对变量或者记录进行分类，K-均值法只能对记录进行分类；
2. K-均值法要求分析人员事先知道样品分为多少类；
3. 对变量的多元正态性，方差齐性等要求较高。
应用领域：细分市场，消费行为划分，设计抽样方案等
参考文献：
https://blog.csdn.net/zhubo22/article/details/8194772 总述 聚类与判别之间的关系
原文：https://www.cnblogs.com/li-20151130/p/9080098.html