培训机构优化,做网站优化给业务员提成,wordpress 技术主题,哈尔滨有哪些做网站的公司文章目录 1.层次聚类法原理简介2.层次聚类法基础算法演示2.1.Single-linkage的计算方法演示2.2.Complete-linkage的计算方法演示2.3.Group-average的计算方法演示 3.层次聚类法拓展算法介绍3.1.质心法原理介绍3.2.基于中点的质心法3.3.Ward方法 4.层次聚类法应用实战4.1.层次聚… 文章目录 1.层次聚类法原理简介2.层次聚类法基础算法演示2.1.Single-linkage的计算方法演示2.2.Complete-linkage的计算方法演示2.3.Group-average的计算方法演示 3.层次聚类法拓展算法介绍3.1.质心法原理介绍3.2.基于中点的质心法3.3.Ward方法 4.层次聚类法应用实战4.1.层次聚类法聚类应用4.2.层次聚类法聚类树绘制4.2.1.Single-linkage连接方法4.2.2.Complete-linkage连接方法4.2.3.Group-average连接方法4.2.4.Centroid连接方法4.2.5.Ward连接方法 5.致谢 1.层次聚类法原理简介
#聚合聚类(层次聚类方法)1.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层次并非是真实的层次实际上指的就是某种距离定义,(我们其实已经学过了很多的距离定义了)
2.层次聚类方法的目标就是采用自下而上的方法去去消除类别的数量类似与树状图的由叶子结点向根结点靠拢的过程。
3.更简单的说,层次聚类是将初始化的多个类簇看做树节点每一次迭代都会两两距离相近的类簇进行合并,如此反复,直至最终只剩一个类簇(也就是根结点)。2.层次聚类法基础算法演示
层次聚类法的三种不同方法: 依据对相似度距离的不同定义将层次聚类法的聚类方法分为三种 1.Single-linkage:要比较的距离为元素对之间的最小距离。 2.Complete-linkage:要比较的距离为元素对之间的最大距离。 3.Group average:要比较的距离为类之间的平均距离。 我们首先拿出几个数据进行计算演示一番这最基础的算法如图所示这是ABCDE五个点的相互之间的距离:
2.1.Single-linkage的计算方法演示
Single-linkage:要比较的距离为元素对之间的最小距离。所以我们需要找到每个点对应的最小距离。 第一步:A的最小距离是B所以AB先合并记作{AB}。 第二步:以AB为整体进行对C合并的研究。 最后发现CD最短合并记作{CD}。 第三步:以{AB}/{CD}为整体进行对E合并的研究。 最后发现CD-E最短合并记作{CDE}。 第四步:合并最后的两个簇即可即{AB}{CDE}合并。
2.2.Complete-linkage的计算方法演示
2.Complete-linkage:要比较的距离为元素对之间的最大距离。所以我们需要找到每个点对应的最大距离。 第一步:A与各个元素之间的最大距离的最小距离是B所以AB先合并记作{AB}。 第二步 C与各元素的最大距离的最小值如下所示: 所以C的各元素的最大距离的最小值是D合并CD并且记作{CD}。 第三步:以{AB}/{CD}为整体进行对E合并的研究。 最后发现CD-E最短合并记作{CDE}。 第四步:合并最后的两个簇即可即{AB}{CDE}合并。
2.3.Group-average的计算方法演示
Group-average要比较的距离为元素对之间的最平均距离。所以我们需要找到每个点对应的最平均距离。 第一步:A与各个元素之间的最大距离的最小距离是B所以AB先合并记作{AB}。 第二步 C与各元素的平均距离的最小值如下所示: 所以C的各元素的最平均距离的最小值是D合并CD并且记作{CD}。 第三步:以{AB}/{CD}为整体进行对E合并的研究。 最后发现CD-E的平均距离最短合并记作{CDE}。 第四步:合并最后的两个簇即可即{AB}{CDE}合并。
3.层次聚类法拓展算法介绍 来源:https://blog.csdn.net/huangguohui_123/article/details/106995538 3.1.质心法原理介绍 如果两个族群合并之后下一步合并时的最小距离反而减小质心在不断变化我们则称这种情况为倒置Reversal/Inversion在系统树图中表现为交叉Crossover现象。
在一些层次聚类方法中如简单连接、完全连接和平均连接倒置不可能发生这些距离的度量是单调的monotonic。显然质心方法并不是单调的。
3.2.基于中点的质心法 3.3.Ward方法 4.层次聚类法应用实战
4.1.层次聚类法聚类应用
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import AgglomerativeClustering
from scipy.cluster.hierarchy import dendrogram, linkage
#%%
# 读取数据
data pd.read_excel(Clustering_5.xlsx)
# 提取特征和标签
X data.iloc[:, :2].values
y data[y].values
# 创建凝聚聚类模型
n_clusters 5
agg_clustering AgglomerativeClustering(n_clustersn_clusters)
# 进行聚类
labels agg_clustering.fit_predict(X)
#%%
# 绘制聚类结果
plt.figure(figsize(10, 6))
for i in range(n_clusters):cluster_points X[labels i]plt.scatter(cluster_points[:, 0], cluster_points[:, 1], labelfCluster {i 1},s16)plt.title(Agglomerative clustering)
plt.legend()
plt.show()聚类效果比较不错
4.2.层次聚类法聚类树绘制
4.2.1.Single-linkage连接方法
#%%
linked linkage(X, single) # 使用ward方法计算链接
dendrogram(linked, orientationtop, distance_sortdescending, show_leaf_countsTrue)
plt.title(Single-linkage连接方法)
plt.show()4.2.2.Complete-linkage连接方法
#%%
linked linkage(X, complete) # 使用ward方法计算链接
dendrogram(linked, orientationtop, distance_sortdescending, show_leaf_countsTrue)
plt.title(Complete-linkage连接方法)
plt.show()4.2.3.Group-average连接方法
#%%
linked linkage(X, average) # 使用ward方法计算链接
dendrogram(linked, orientationtop, distance_sortdescending, show_leaf_countsTrue)
plt.title(Group-average连接方法)
plt.show()4.2.4.Centroid连接方法
#%%
linked linkage(X, centroid) # 使用ward方法计算链接
dendrogram(linked, orientationtop, distance_sortdescending, show_leaf_countsTrue)
plt.title(Centroid连接方法)
plt.show()4.2.5.Ward连接方法
# 绘制树状图聚类树
linked linkage(X, ward) # 使用ward方法计算链接
dendrogram(linked, orientationtop, distance_sortdescending, show_leaf_countsTrue)
plt.title(Ward连接方法)
plt.show()5.致谢
本章内容的完成离不开以下大佬文章的启发和帮助在这里列出名单如果对于内容还有不懂的可以移步对应的文章进行进一步的理解分析。
1.层次聚类法的基础算法演示https://blog.csdn.net/qq_40206371/article/details/123057888
2.层次聚类法的进阶算法演示https://blog.csdn.net/huangguohui_123/article/details/106995538
在文章的最后再次表达由衷的感谢
