机器学习sklearn（13）层次聚类

最新推荐文章于 2024-07-19 19:18:47 发布
最新推荐文章于 2024-07-19 19:18:47 发布
阅读量1.4w 收藏 70
点赞数 12
分类专栏： 机器学习 文章标签： 层次聚类 AgglomerativeClustering聚类
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/weixin_44530236/article/details/89160137
版权

层次聚类(Hierarchical Clustering)是聚类算法的一种，基于层次的聚类算法（Hierarchical Clustering）可以是凝聚的（Agglomerative）或者分裂的（Divisive），取决于层次的划分是“自底向上”还是“自顶向下”。
凝聚层次聚类原理是：最初将每个对象看成一个簇，然后将这些簇根据某种规则被一步步合并，就这样不断合并直到达到预设的簇类个数。这里的关键在于：如何计算聚类簇之间的距离？ 
　　计算聚类簇间距离的方法有三种，分别为Single Linkage，Complete Linkage和Average Linkage。在开始计算之前，我们先来介绍下这三种计算方法以及各自的优缺点。

  • Single Linkage：方法是将两个组合数据点中距离最近的两个数据点间的距离作为这两个组合数据点的距离。这种方法容易受到极端值的影响。两个不相似的组合数据点可能由于其中的某个极端的数据点距离较近而组合在一起。
  • Complete Linkage：Complete Linkage的计算方法与Single Linkage相反，将两个组合数据点中距离最远的两个数据点间的距离作为这两个组合数据点的距离。Complete Linkage的问题也与Single Linkage相反，两个不相似的组合数据点可能由于其中的极端值距离较远而无法组合在一起。
  • Average Linkage：Average Linkage的计算方法是计算两个组合数据点中的每个数据点与其他所有数据点的距离。将所有距离的均值作为两个组合数据点间的距离。这种方法计算量比较大，但结果比前两种方法更合理。

sklearn.cluster.AgglomerativeClustering(n_clusters=

最低0.47元/天 解锁文章
又要起名字了
关注
专栏目录
机器学习模型—层次聚类
03-18 3万+
层次聚类是无监督学习中重要的聚类技术。通过计算簇间距离,将相似的对象逐步合并,可以很好地揭示数据的层次结构。不同的距离度量方法各有利弊,在实际应用中需要根据数据分布特征合理选择。未来,层次聚类在基因组学、社交网络、推荐系统等领域将有更广泛的应用前景。
【机器学习08】层次聚类
qq_41566530的博客
05-13 947
9 层次聚类 9.1 简介 层次聚类分为两种类型： 聚合(agglomerative)或自下而上(bottom-up)聚类 分裂(divisive)或自上而下(top-down)聚类 凝聚层次聚类(AGNES)：属于聚合或自下而上聚类 步骤： 构造mmm个类，每个类包含一个样本，即有多少个样本就有多少个类 计算类与类之间的距离dijd_{ij}dij​，记作矩阵D=[dij]m∗mD=[d_{ij}]_{m*m}D=[dij​]m∗m​ 合并间距最小的两个类 若达到聚类数KKK则退出 重新计算类之间的
python dendrogram_用python绘制层次聚类图
weixin_39620099的博客
11-27 2347
层次聚类(Hierarchical clustering)代表着一类的聚类算法，这种类别的算法通过不断的合并或者分割内置聚类来构建最终聚类。 聚类的层次可以被表示成树(或者树形图(dendrogram))。树根是拥有所有样本的唯一聚类，叶子是仅有一个样本的聚类。这里带大家用python绘制一维数据的层次聚类图。工具准备matplotlibscipynumpysklearnsklean中的层次聚类主...
探索Sklearn中的分层聚类：数据的智能分组艺术
最新发布
2401_85439108的博客
07-19 680
分层聚类分为两种类型：凝聚的（自底向上）和分裂的（自顶向下）。凝聚的分层聚类从每个数据点作为单独的簇开始，逐步合并最接近的簇；而分裂的分层聚类从所有数据点属于一个簇开始，逐步分裂直到每个数据点都是一个单独的簇。
sklearn实战——层次聚类
我的博客
09-23 2748
一、代码 # Mall Customer聚类 from scipy.cluster.hierarchy import dendrogram, ward from sklearn.cluster import KMeans, AgglomerativeClustering from sklearn import preprocessing import pandas as pd import numpy as np import matplotlib.pyplot as plt # 数据加载 data =
sklearn层次聚类AgglomerativeClustering
微小冷的学习笔记
01-05 5770
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。
【Python学习】sklearn层次聚类
思南的博客
08-29 2330
from sklearn.cluster import AgglomerativeClustering #导入sklearn的层次聚类函数 model = AgglomerativeClustering(n_clusters = k, linkage = ‘ward’) model.fit(data) #训练模型 #详细输出原始数据及其类别 r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1) #详细输出
Scikit-learn_聚类算法_层次聚类
feizuiku0116的博客
09-10 1043
一.描述 层次聚类通过不断的合并（凝聚式）或分隔（分列式）内置聚类来构建最终聚类。 以凝聚式为例，其具体实现过程如下：将每一个样本点视为一个簇，并计算各簇之间的距离，将距离最近的两个簇聚合成一个新簇。重复这个过程，直至簇数满足预设值 当聚类样本数量巨大时，如果样本之间没有添加连接约束，AgglomerativeClustering类的计算代价会很大，因为每一部都要考虑所有可能的合并 二.用法和参数 AgglomerativeClustering ward：所有聚类内的平方差总和最小 complete
无监督学习 | 层次聚类 之凝聚聚类原理及Sklearn实现
侠的博客
10-11 6106
文章目录1. 层次聚类1.1 凝聚聚类1.2 层次图1.3 不同凝聚算法比较2. Sklearn 实现2.1 层次图可视化参考文献 1. 层次聚类 层次聚类（hierarchical clustering）试图在不同层次对数据集进行划分，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，也可采用“自顶向下”的分拆策略。[1] 因此其优点是可以层次化聚类，将聚类结构视觉化；而缺点是计...
sklearn中的聚类算法K-Means
momokofly的博客
12-15 1万+
1 概述 1.1 无监督学习与聚类算法 决策树、随机森林、逻辑回归虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，既需要特征矩阵XXX，也需要真实标签yyy。在机器学习中，还有很大一部分算法是属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵XXX，不需要标签。曾经学过的PCA算法就是无监督学习中的一种。聚类算法也是无监督学习的代表算法之一。 聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于业务需求或建模需求来完成，也可以单
sklearn Hierarchical Clustering
斯温的博客
08-15 7069
层次聚类 基于一定的规则生成树形结构（各个类数）,比较消耗性能。 AgglomerativeClustering: 使用自底向上的聚类方法。 主要有三种聚类准则： complete(maximum) linkage: 两类间的距离用最远点距离表示。 avarage linkage:平均距离。 ward's method: 以组内平方和最小，组间平方和最大为目的。 nu
Machine Learning——sklearn系列（六）——聚类算法（1）
wa1tzy的博客
07-10 1147
文章目录前言一、K-Means二、K-means++2.1 算法步骤2.2 K-means++例子2.3 效率三、MeanShift（均值迁移）3.1 概述3.2 图解过程3.3 算法函数四、层次聚类 前言 每种聚类方法在不同数据状况下表现的优劣图： 代码实现 import time import warnings import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt from sklearn impor
python学习---python_sklearn层次聚类学习
临风暖阳的博客
05-09 768
An illustration of various linkage option for agglomerative clustering on a 2D embedding of the digits dataset. The goal of this example is to show intuitively how the metrics behave, and not to find good clusters for the digits. This is why the example .
SKlearn库层次聚类凝聚
weixin_41690708的博客
07-11 2206
classsklearn.cluster.AgglomerativeClustering（n_clusters = 2，affinity ='euclidean'，memory = None，connectivity = None，compute_full_tree ='auto'，linkage ='ward'，pooling_func ='deprecated'，distance_thr...
sklearn中聚类（部分）
热门推荐
小强强的博客
02-12 1万+
下图为主要介绍的几个聚类方法： 1、 k均值（K-means） ▲在指定n个类别后，最小化类别中样本到类别均值样本的距离，公式如下： 其中，Ci为划分，ui为每个划分的均值向量，k=n。K-均值是相当于一个小、 全等、 对角协方差矩阵的期望最大化算法。 ▲该方法有以下缺点： 有个前提：集群是凸和各向同性的。对长条形、流行以及不规则形的集群响应不好。 惯性不是归一化的
SKlearn——聚类算法
m0_37634594的博客
12-27 4459
SKlearn——K均值聚类
python_sklearn层次聚类学习
baidu_15113429的博客
06-09 4029
sklearn中层次聚类有两种方法，自顶向上法和自下向上法。并且有三种计算类之间距离的方法。 Maximum linkage complete linkage Average linkage 代码如下：""" ============================================================================= Various Agglo
sklearn层次聚类
08-24
sklearn的层次聚类是通过AgglomerativeClustering这个类来实现的。在这个类中，可以通过设置参数来控制层次聚类的具体行为。这个类提供了以下参数：n_clusters表示要聚类的簇的数量，默认为2；affinity表示距离度量的方法，默认为"euclidean"；linkage表示连接方式，默认为"ward"；distance_threshold表示聚类停止的距离阈值，默认为None。 下面是一个使用sklearn进行层次聚类的示例代码： ```python from sklearn.cluster import AgglomerativeClustering import numpy as np # 创建数据集 data = np.array([[1, 2], [2, 3], [-3, 3], [-2, -1], [5, -1]]) # 训练模型 ac = AgglomerativeClustering(n_clusters=3, affinity='euclidean', linkage='average') clustering = ac.fit(data) # 输出结果 print("每个数据所属的簇编号", clustering.labels_) print("每个簇的成员", clustering.children_) ``` 这段代码中，先创建了一个数据集data，然后通过AgglomerativeClustering类创建了一个层次聚类模型ac，设置了簇的数量为3，距离度量的方法为euclidean，连接方式为average。然后使用fit方法对数据进行训练，最后输出每个数据点所属的簇编号和每个簇的成员信息。 希望这个解答能够帮到你！如果有任何问题，请随时提问。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [机器学习 — python(sklearn / scipy) 实现层次聚类，precomputed自定义距离矩阵](https://blog.csdn.net/pentiumCM/article/details/105695414)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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