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
最新推荐文章于 2024-03-22 00:53:55 发布
阅读量4.7w 收藏 89
点赞数 16
分类专栏： Algorithms Machine Learning 文章标签： Agglomerative Clustering single linkage Complete linkage group average dendrogram
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m1m1m16/article/details/79415871
版权
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：
d为距离；k为类的个数；K为现有的具体的类
1.Single-linkage 每次取最短的最小距离
2.Complete-linkage 每次取最短的最大距离
3.Group average 取最短的平均距离

超开心的柠檬茶
关注
  • 16
    点赞
  • 踩
  • 89
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
机器学习笔记 （聚类） 层次聚类 Agglomerative Clutsering（Single-linkage、Complete-linkage，Group average）
qq_40206371的博客
02-21 3594
1 Agglomerative Clutsering 这是一种自底而上的层次聚类方法。大致可以分为三步： 1.将每一个元素单独定为一类 2.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.迭代第二步，直到所有的元素都归为同一类/类别数量已经达到了我们需要的数量 2 Agglomerative Clutsering的分类 根据对元素之间相似度（距离）的不同定义，将Agglomerative Clustering的聚类方法分为三种：Single-link...
计算机研究 -一种层次聚类的簇确认方法研究.pdf
07-04
计算机研究 -一种层次聚类的簇确认方法研究.pdf
【理解机器学习算法】之Clustering算法(Agglomerative Clustering)
Hyman Qiu
03-22 865
是一种层次聚类算法，通过逐步合并或“聚集”它们来构建嵌套聚类。这种方法采用自底向上的方式构建聚类层次：它从将每个数据点作为单个聚类开始，然后迭代合并最接近的聚类对，直到所有数据点合并为一个聚类，或直到达到指定的聚类数量。优点：- 聚合聚类在距离和连接准则的选择上具有多样性，使其适用于各种数据集。- 它产生了一个层次结构，这对于不同规模的聚类数据结构是有信息量的。-缺点：- 对于大数据集来说，它可能计算成本高，因为它需要在每次迭代中计算和更新所有聚类对之间的距离。
sklearn层次聚类AgglomerativeClustering
微小冷的学习笔记
01-05 5045
和Birch聚类相似，层次聚类也是一种依赖树结构实现的聚类方法，其核心概念是相似度。根据相似度，可以将所有样本组织起来，从而构建一棵层次聚类树。
聚类算法（K-means & AGNES & DBSCAN）
m0_51339444的博客
08-12 4932
聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。...
分层聚类（hierarchical clustering）
doulinxi115413的博客
03-21 1万+
假设有N个待聚类的样本，对于层次聚类来说，步骤：       1、（初始化）把每个样本归为一类，计算每两个类之间的距离，也就是样本与样本之间的相似度；       2、寻找各个类之间最近的两个类，把他们归为一类（这样类的总数就少了一个）；       3、重新计算新生成的这个类与各个旧类之间的相似度；       4、重复2和3直到所有样本点都归为一类，结束 整个聚类过程其实是建立了一棵树，在建立...
常见聚类算法及使用--层次聚类（Agglomerative clustering）
june_young_fan的博客
11-03 1万+
层次聚类顾名思义就是按照某个层次对样本集进行聚类操作，这里的层次实际上指的就是某种距离定义。层次聚类最终的目的是消减类别的数量，所以在行为上类似于树状图由叶节点逐步向根节点靠近的过程，这种行为过程又被称为“自底向上”。更通俗的，层次聚类是将初始化的多个类簇看做树节点，每一步迭代，都是将两两相近的类簇合并成一个新的大类簇，如此反复，直至最终只剩一个类簇（根节点）。
Python层次聚类sci.cluster.hierarchy.linkage函数详解
热门推荐
Tan_HandSome的博客
02-25 3万+
1 函数原型：scipy.cluster.hierarchy.linkage(y, method='single', metric='euclidean', optimal_ordering=False)函数功能：进行层次聚类/凝聚聚类。参数：y: 可以是1维压缩向量（距离向量），也可以是2维观测向量（坐标矩阵）。若y是1维压缩向量，则y必须是n个初始观测值的组合，n是坐标矩阵中成对的观测值。返回...
机器学习 — python(sklearn / scipy) 实现层次聚类，precomputed自定义距离矩阵
pentiumCM的博客
04-22 1万+
文章目录python 实现层次聚类1. scipy实现2. sklearn实现 python 实现层次聚类 关于层次聚类的原理，可以参考博客： https://blog.csdn.net/pentiumCM/article/details/105675576 本博客主要讲解如何简单直接使用 python 来实现层次聚类。 1. scipy实现 linkage： def linkage(y, me...
层次聚类算法之single-linkage和complete-linkage（C语言实现）
XuShuai
06-17 1万+
层次聚类试图在不同层次上对数据集合进行划分， 从而形成树形的聚类结构。数据集的划分可采用“自底向上”的聚合策略，也可以采用“自顶向下”的分拆策略。 AGNES是一种采用自底向上的聚合策略的层次聚合算法，它先将数据集中的每个样本看作是一个初始的聚类簇，然后在算法进行的每一步中找出距离最近的两个聚类来进行合并，该过程不断的重复，直到到达预设的聚类簇的个数。 改算法的关键是如何计算聚类之间的距离，
【机器学习】常见的聚类算法——凝聚型层次聚类算法（Agglomerative Clustering）
qq_51467258的博客
01-19 1808
本文为常见的聚类算法之层次算法，主要研究了凝聚型层次聚类算法（Agglomerative Clustering），给出了概念、实例，以及可运行的代码及结果。使用鸢尾花数据集聚类的例子进行实验。
三种聚类方法(K-means、GMM、DBSCAN聚类)
03-29
一次手写作业，手写三种聚类算法，包含数据集和代码
聚类分析-k-means聚类方法及其Python实现
03-25
聚类分析-k-means聚类方法及其Python实现
A Similarity Based Agglomerative Clustering Algorithm in Networks
02-07
A Similarity Based Agglomerative Clustering Algorithm in Networks
计算机研究 -一种基于数据聚类的信息粒化方法.pdf
07-04
计算机研究 -一种基于数据聚类的信息粒化方法.pdf
聚类分析-基于密度的聚类方法DBSCAN及其Python实现
03-30
数据挖掘|聚类分析|基于密度的聚类方法DBSCAN及其Python实现
《算法》如何下载并使用书中自带的库（StdIn,StdOut,StdDraw等）
M1M1M16的博客
03-04 8386
想要了解各类操作系统的对这些库下载和使用的详细方法，可以查看原书官方网站官网教程接下来主要介绍如何才能在Eclipse中使用这些库：1.下载algs4.jars文件    algs4.jars2.打开Eclipse,右键点击需要使用这些库的Java project3.单击propertis4.单击Java Build Path5.单击Add External JARs...6.选择刚才下载好的al...
名人档案（辛弃疾、李清照）(1).docx
最新发布
04-23
名人档案（辛弃疾、李清照）(1).docx
python凝聚层次聚类算法实现（非聚类库函数调用），要求算法输入：随机生成聚类的>=20个对象；算法输出：分类结果，聚类过程中得到的最短距离值以及距离矩阵。考虑单链法single-linkage、全链法complete-linkage和组平均法average-linkage这三种不同距离的计算方法进行聚类。
05-28
好的，我会尽力回答您的问题。 Python实现凝聚层次聚类算法（Agglomerative Hierarchical Clustering Algorithm）： 算法输入：随机生成聚类的>=20个对象 算法输出：分类结果，聚类过程中得到的最短距离值以及距离矩阵 步骤： 1. 随机生成20个对象 ```python import numpy as np # 随机生成20个对象 data = np.random.rand(20, 5) ``` 2. 计算距离矩阵 ```python from scipy.spatial.distance import pdist, squareform # 计算欧氏距离 distances = pdist(data, metric='euclidean') # 将距离矩阵转换为方阵 dist_matrix = squareform(distances) ``` 3. 实现单链法single-linkage、全链法complete-linkage和组平均法average-linkage这三种不同距离的计算方法进行聚类 ```python from scipy.cluster.hierarchy import linkage, dendrogram # 单链法 single_linkage = linkage(distances, method='single') # 全链法 complete_linkage = linkage(distances, method='complete') # 组平均法 average_linkage = linkage(distances, method='average') ``` 4. 可视化分类结果和距离矩阵 ```python import matplotlib.pyplot as plt # 可视化分类结果 plt.figure(figsize=(10, 7)) dendrogram(single_linkage) plt.show() # 可视化距离矩阵 plt.figure(figsize=(10, 10)) plt.imshow(dist_matrix, cmap='hot', interpolation='nearest') plt.show() ``` 最终的结果将会输出三种不同距离计算方法的分类结果和距离矩阵。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值