pythonscipy怎么做層次聚類？Python機(jī)器學(xué)習(xí)包里面的集群提供了很多的聚類算法，其中ward_u3;Tree實(shí)現(xiàn)了凝聚層次聚類算法。但是我不明白樹的返回值是什么意思，所以我決定尋找另一種方

pythonscipy怎么做層次聚類？

Python機(jī)器學(xué)習(xí)包里面的集群提供了很多的聚類算法，其中ward_u3;Tree實(shí)現(xiàn)了凝聚層次聚類算法。但是我不明白樹的返回值是什么意思，所以我決定尋找另一種方法來實(shí)現(xiàn)它。經(jīng)過搜索，我們發(fā)現(xiàn)scipy.cluster.hierarchy層次結(jié)構(gòu). fclusterdata可以實(shí)現(xiàn)層次聚類。

層次聚類方法的聚類分類？

原型集群也稱為基于原型的集群。這種算法假設(shè)聚類結(jié)構(gòu)可以由一組原型來描述。首先初始化原型，然后迭代更新原型。不同的原型和不同的解決方案被用來生成不同的算法。K-means算法是一種常見的原型聚類算法。

層次聚類是一種基于原型的聚類算法，它試圖在不同的層次上劃分?jǐn)?shù)據(jù)集，形成樹狀聚類結(jié)構(gòu)。數(shù)據(jù)集可分為自下而上的聚合策略和自上而下的拆分策略。層次聚類算法的優(yōu)點(diǎn)是通過繪制樹狀圖來直觀地解釋聚類結(jié)果。分層聚類的另一個(gè)優(yōu)點(diǎn)是它不需要預(yù)先指定聚類的數(shù)目

這個(gè)問題實(shí)際上是無法解決的，而且算法的分類效果和實(shí)際運(yùn)行時(shí)間因數(shù)據(jù)的不同而不同。在計(jì)算速度方面，K-means比hierarchy快。其原因是K-means算法是先找到中心，然后計(jì)算距離；層次是將樣本逐個(gè)合并，層次算法的復(fù)雜度較高。更重要的是，在很多情況下，K-means算法和層次聚類算法的分類效果只能用不同的觀點(diǎn)來描述。