层次聚类算法

相比于k-means算法，层次聚类算法无需人为的划分k值，也就是分为几个簇。而是通过计算各点间的距离，最后再将其划分为一类。如此循环迭代，最终实现无监督学习的自行分类。具有很好的识别性以及科学性，该算法中.本文只对读者进行思想介绍以及核心代码实现，需读者自己动手做。发挥自我主观能动性，加油吧！

1. AgglomerativeClustering(linkage='ward', n_clusters=2)
2. 链接算法 ward，聚2类。
4. linkage：一个字符串，用于指定链接算法
5. —— ‘ward’：单链接single-linkage，采用dmindmin。
6. —— ‘complete’：全链接complete-linkage算法，采用dmaxdmax。
7. —— ‘average’：均连接average-linkage算法，采用davgdavg。
8. single 是算两者之间的最短距离，再将其分为一类。也就是在迭代之后的一簇中肯定有多个点的，我们进行下次分类的时候，将该点与簇之间算距离，取其与簇之间的最短距离，作为它这次分类的依据。到底将其分为哪一类，我们按距离最短的算。
9. complete 是该点与簇之间中簇内部与其距离最长的点，我们将其去分为一类。
10. average 是该点与簇之间的所有点取平均值，再进其进行比较，再通过进行分类

    # 部分代码
    # 作者未提供完整代码以及数据集，将其层次聚类核心代码进行编辑
    from sklearn.cluster import AgglomerativeClustering
    s=AgglomerativeClustering('ward') #看自己想选什么参数做依据吧
    s.fit_predict(数据集）