判别与聚类的比较：
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
判别分析
基本原理：从已知的各种分类情况中总结规律（训练出判别函数），当新样品进入时，判断其与判别函数之间的相似程度（概率最大，距离最近，离差最小等判别准则）。
常用判别方法：最大似然法，Bayes判别法，距离判别法，Fisher判别法，逐步判别法等。
注意事项：1. 判别分析的基本条件：分组类型在两组以上，解释变量必须是可测的；
2. 每个解释变量不能是其它解释变量的线性组合（比如出现多重共线性情况时，判别权重会出现问题）；
3. 各解释变量之间服从多元正态分布（不符合时，可使用Logistic回归替代），且各组解释变量的协方差矩阵相等（各组协方方差矩阵有显著差异时，判别函数不相同）。
相对而言，即使判别函数违反上述适用条件，也很稳健，对结果影响不大。
应用领域：对客户进行信用预测，寻找潜在客户（是否为消费者，公司是否成功，学生是否被录用等等），临床上用于鉴别诊断。
本文中分三个方法介绍判别分析，Bayes判别，距离判别，Fisher判别。
Bayes 和 距离判别：都要考虑两个、或多个总体协方差（方差是协方差的一种）相等或不等的情况，由 var.equal= 的逻辑参数表示，默认是 FALSE，表示认为两总体协方差不等。
用样本的协方差可以估计总体的协方差。
在Bayes方法中我们把相等和不等的两个结果都列了出来，距离判别里我们默认两总体协方差不等。
一般使用时，我们都以两总体的协方差不等作为标准来进行后续计算。
Bayes判别
Bayes判断 假定我们对研究对象有一定的认识，这种认识常用先验概率来描述。。。
取得样本后，用样本来修正已有的先验概率分布，得出后延概率分布。。
再通过后验分布进行各种统计推断。。
参考文献：
https://blog.csdn.net/zhubo22/article/details/8194772 总述 聚类与判别之间的关系
https://blog.csdn.net/tiaaaaa/article/details/58145126 判别分析的实例与原理。
https://blog.csdn.net/chen790646223/article/details/45450301 各种判别和分类方法。