聚类Agglomerative Clustering 及其三种方法Single-linkage、Complete-linkage，Group average

最新推荐文章于 2024-03-22 00:53:55 发布

超开心的柠檬茶

最新推荐文章于 2024-03-22 00:53:55 发布

阅读量4.9w

点赞数 16

分类专栏： Algorithms Machine Learning 文章标签： Agglomerative Clustering single linkage Complete linkage group average dendrogram

本文链接：https://blog.csdn.net/M1M1M16/article/details/79415871

版权

Algorithms 同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

Machine Learning

1 篇文章 0 订阅

订阅专栏

Agglomerative Clutsering 是一种自底而上的层次聚类方法，它能够根据指定的相似度或距离定义计算出类之间的距离。（Hierarchical clustering两种方式的其中一种，另一种是divisive,自顶而下）
Dendrogram：依次将符合条件的类相连，最后得到使算法与数据均形象化的树状结构图。
Dendrogram专门用来描述经层次聚类算法得到的结果。

Agglomerative Clustering Algorithm
1.将每一个元素单独定为一类
2.重复：每一轮都合并指定距离(对指定距离的理解很重要)最小的类
3.直到所有的元素都归为同一类

Agglomerative Clustering的三种不同方法
依据对相似度（距离）的不同定义，将Agglomerative Clustering的聚类方法分为三种：Single-linkage,Complete-linkage和Group average.
Single-linkage:要比较的距离为元素对之间的最小距离
Complete-linkage:要比较的距离为元素对之间的最大距离
Group average：要比较的距离为类之间的平均距离（平均距离的定义与计算：假设有A，B两个类，A中有n个元素，B中有m个元素。在A与B中各取一个元素，可得到他们之间的距离。将nm个这样的距离相加，得到距离和。最后距离和除以nm得到A，B两个类的平均距离。）

接下来用这三种不同的方法，对同一数据进行层次聚类。
单个元素之间距离表：