7、层次聚类技术详解

层次聚类技术详解

1. 引言

聚类分析是一种无监督的学习方法，旨在将一组对象划分为若干个簇，使得同一簇内的对象彼此相似，而不同簇间的对象差异较大。层次聚类是聚类分析中的一种重要方法，它将数据集划分为一系列嵌套的分区。层次聚类算法可以分为两大类：凝聚算法（Agglomerative）和分裂算法（Divisive）。前者从每个对象作为一个独立的簇开始，逐步合并相似的簇；后者则相反，从所有对象属于一个大簇开始，逐步将其分割成更小的簇。

2. 层次聚类的基本概念

2.1 凝聚算法 vs 分裂算法

• 凝聚算法 ：从每个对象作为一个独立的簇开始，逐步合并最相似的簇，直到所有对象都归入一个簇。这种算法通常会产生一棵树状结构，称为树状图（Dendrogram）。
• 分裂算法 ：从所有对象属于一个大簇开始，逐步将其分割成更小的簇，直到每个对象成为一个独立的簇。分裂算法较少使用，但在某些特定场景下可能更为适用。

2.2 层次聚类的优点与缺点

优点

• 不需要预先指定簇的数量 ：与K-means等划分算法不同，层次聚类不需要预先设定簇的数量。
• 能够处理任意形状的簇 ：层次聚类可以发现任意形状的簇，尤其适用于复杂数据集。
• 可视化效果好 ：通过树状图可以直观地展示聚类结果，便于理解和解释。