微信搜索：“二十同学” 公众号，欢迎关注一条不一样的成长之路层次聚类(hierarchical clustering )算法极其简单。 有n个节点，首先将每个节点视为一种，然后找到最近的节点“两个合并”，将合并后的两个节点的平均值作为新节点，继续两个合并过程直到最后，合并为一种
下图显示了群集的过程。 最近的节点将被合并。 在第一步中，如果存在两组位于相同距离的节点，它们将同时合并。)。
分层聚类过程
使用数据挖掘工具(如SPSS )通常会生成树视图。 根据分析问题的情况，可以选择最终汇总为几个类别。
层次群集树
从纯理论上说，归纳为几类，判断每一步可以合并的“距离”是否有明显的差别，在我们的例子中是：
步骤1(a与b、c与d合并时，距离较近，即使大致为1 ) )用肉眼估算，什么也没有测量)。
第二步： CD和e合并，距离其实也很近，大概2
第三步： CDE和f合并，距离较远，约8
步骤CDEF和AB合并，距离约为9
因此，从步骤2到步骤3的本质上的改进表明相对接近的已经被合成并且开始在远距离处“耦合”。 因此，结束于步骤2，聚类的优选，也就是说，结束于步骤2。
当然，真正归纳为几种不要从理论出发。 还是看实际案例，归纳成几种最合理，最好说明一下。 最能说明问题
分层聚类的运算速度比较慢。 因为必须每次计算多个集群中所有数据点的2、2的距离，所以处理大量数据非常费劲。 最大的优点是一次得到整个集群的过程。 如果得到上述集群树，则无论划分为几个集群都可以直接从树结构中得到结果，不需要通过改变集群数来重新计算数据点的归属。
谢谢你。点赞，收藏，评论
微信搜索：“二十同学” 公众号，或者直接扫一扫，关注一条不一样的成长之路