1. 确定可以最接近的 2 个集群，以及
2. 合并最多 2 个可比较集群。我们需要继续这些步骤，直到所有集群合并在一起。

在 Hierarchical Clustering 中，目标是生成一系列分层嵌套集群。称为 Dendrogram 的图表（Dendrogram 是一个树状图表，用于统计合并或拆分的顺序）以图形方式表示此层次结构，并且是一个倒置的树，用于描述因子合并（自下而上视图）或聚类分解（自上而下视图）的顺序。

什么是分层聚类？

分层聚类是数据挖掘中的一种聚类分析方法，可在数据集中创建聚类的分层表示。该方法首先将每个数据点视为一个单独的集群，然后迭代地组合最近的集群，直到达到停止标准。分层聚类的结果是一个树状结构，称为树状结构，它说明了聚类之间的分层关系。

​

与其他聚类方法相比，分层聚类具有几个优点

• 能够处理非凸集群和不同大小和密度的集群。
• 处理缺失数据和干扰数据的能力。
• 揭示数据层次结构的能力，这对于了解集群之间的关系非常有用。

分层聚类的缺点

• 需要一个标准来停止聚类过程并确定最终的聚类数。
• 该方法的计算成本和内存要求可能很高，尤其是对于大型数据集。
• 结果可能对使用的初始条件、链接标准和距离度量敏感。
  总之，分层聚类是一种数据挖掘方法，它通过创建群集的分层结构将相似的数据点分组到群集中。
• 此方法可以处理不同类型的数据并揭示集群之间的关系。但是，它的计算成本可能很高，并且结果可能对某些条件很敏感。

分层聚类的类型

基本上，有两种类型的分层聚类：

1. 凝聚聚类
2. 分割聚类

1. 凝聚聚类

最初将每个数据点视为一个单独的 Cluster，并在每个步骤中合并最近的 Cluster 对。（这是一种自下而上的方法）。起初，每个数据集都被视为一个单独的实体或集群。在每次迭代中，集群都会与不同的集群合并，直到形成一个集群。

凝聚分层聚类的算法为：

• 计算一个分类与所有其他分类的相似性（计算邻近矩阵）
• 将每个数据点视为一个单独的集群
• 合并彼此高度相似或接近的集群。
• 重新计算每个分类的邻近矩阵
• 重复步骤 3 和 4，直到只剩下一个集群。

让我们看看使用树状图的该算法的图形表示。

注意：这只是实际算法工作原理的演示：未在假设集群之间的所有接近度下执行计算。

假设我们有六个数据点 A、B、C、D、E 和 F。

• 第 1 步：将每个字母视为一个集群，并计算一个集群与所有其他集群的距离。
• 第 2 步：在第二步中，将可比较的集群合并在一起以形成一个集群。假设集群 （B） 和集群 （C） 彼此非常相似，因此我们在第二步中将它们合并，类似于集群 （D） 和 （E），最后，我们得到集群 [（A）、（BC）、（DE）、（F）]
• 第 3 步：我们根据算法重新计算接近度，并将两个最近的集群 （[（DE）， （F）]） 合并在一起，形成新的集群，如 [（A）， （BC）， （DEF）]
• 第 4 步：重复相同的过程;集群 DEF 和 BC 具有可比性，并合并在一起以形成一个新集群。我们现在只剩下集群 [（A）， （BCDEF）]。
• 第 5 步：最后，将剩余的两个集群合并在一起，形成一个集群 [（ABCDEF）]。

2. 分裂分层聚类

我们可以说 Divisive Hierarchical clustering 恰好与 Agglomerative Hierarchical clustering 相反。在分割分层聚类中，我们将所有数据点视为一个聚类，在每次迭代中，我们将数据点与不具有可比性的聚类分开。最后，我们只剩下 N 个集群。

还要检查：

机器学习中的分层聚类
机器学习中的集聚方法
K 均值与层次聚类的区别
使用 Sklearn 实现凝聚聚类
​

常见问题 （FAQ）

1. 什么是两种类型的分层聚类？

有两种类型的分层聚类：凝聚聚类和分割聚类。在凝聚聚类中，数据点被视为单独的聚类，并根据相似性合并它们，直到形成单个聚类。在分层聚类中，数据点被视为单个聚类，然后根据差异递归划分为更小的聚类，直到单个数据点成为单独的聚类。

2. K 均值和层次聚类有什么区别？

k 均值和分层聚类之间的主要区别在于 k 均值将数据划分为预定数量的聚类 （k），而分层聚类形成聚类层次结构，而无需事先确定聚类的数量。