5聚类之层次聚类基于划分的聚类(k (3).pdf

层次聚类算法 层次聚类（Hierarchical Clustering）是一种基于划分的聚类方法，它的主要思想是计算样本之间的距离，然后根据距离将样本合并到同一个类中。层次聚类算法可以分为两种类型：凝聚的层次聚类算法（Agglomerative Hierarchical Clustering）和分裂的层次聚类算法（Divisive Hierarchical Clustering）。 在凝聚的层次聚类算法中，每个样本最初被视为一个类，然后根据 linkage 寻找同类，最后形成一个“类”。其中类与类的距离的计算方法有：最短距离法、最长距离法、中间距离法、类平均法等。 而在分裂的层次聚类算法中，所有样本最初被视为一个类，然后根据 linkage 排除异己，最后形成多个“类”。 层次聚类算法的优点是可以发现类的层次关系，且不需要预先确定聚类数。然而，其计算复杂度太高，奇异值也可以产生很大的影响。 在 R 语言中，可以使用 hclust 函数来进行层次聚类，例如：hclust(d, method = "complete", members = NULL)，其中 d 是距离矩阵，method 表示类的合并方法，members 是 NULL 或 d 长度的矢量。 此外，还有其他一些层次聚类算法，如 BIRCH、ROCK 和 Chameleon 等。BIRCH 算法主要用于大规模数据集，数据类型为 numerical。ROCK 算法主要用于 categorical 数据类型。Chameleon 算法使用 kNN 算法构建一个图形，然后对其进行优化。 层次聚类算法的应用场景非常广泛，如 customer segmentation、gene expression analysis 和 text clustering 等。 层次聚类算法是一种非常有用的聚类方法，它可以发现类的层次关系，且不需要预先确定聚类数。但是，其计算复杂度太高，需要选择合适的 linkage 方法和距离计算方法，以获得良好的聚类结果。