层次聚类sklearn.cluster包AgglomerativeClustering_from sklearn.cluster import agglomerativeclusterin-优快云博客

本文链接：https://blog.youkuaiyun.com/as394349658/article/details/99686572

本文介绍了AgglomerativeClustering的四种链接策略：Ward最小化类簇方差、Maximum最大化类簇间最远距离、Average最小化类簇间平均距离以及single基于最小观测距离。通过linkage参数选择不同的策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Ward策略：让所有类簇中的方差最小化。
Maximum策略：也叫completed linkage（全连接策略），力求将类簇之间的距离最大值最小化。
Average linkage策略：力求将簇之间的距离的平均值最小化
single单次使用所有观测之间的最小距离两组中的一组。

AgglomerativeClustering中linkage参数为 [‘ward’, ‘complete’, ‘average’,‘single’]**

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import AgglomerativeClustering

#从磁盘读取城市经纬度数据
X = []
with open('../K_means/data.txt') as f:
    for v in f:
        X.append([float(v.split('，')[2]), float(v.split('，')[3])])
#转换成numpy array
X = np.array(X)
#类簇的数量
n_clusters = 5
#现在把数据和对应的分类数放入聚类函数中进行聚类,使用方差最小化的方法'ward'
cls = AgglomerativeClustering(linkage='ward', n_clusters=n_clusters).fit(X)
#X中每项所属分类的一个列表
cls.labels_    #  X对应index列表
#画图
markers = ['^', 'x', 'o', '*', '+']
fo