层次聚类详解(附代码)

本篇博客主要介绍机器学习算法中的层次聚类，层次聚类不同于传统的K-Means聚类算法，它在初始K值和初始聚类中心点的选择问题上会存在优势。 

层次聚类

层次聚类就是一层一层的进行聚类，可以由下向上，或由上向下进行聚类。先计算样本之间的距离，每次将距离最近的点合并到同一个类。然后，再计算类与类之间的距离，将距离最近的类合并为一个大类。不停的合并，直到合成了一个类。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。

层次分解顺序为：自下向上和自上向下两种，即凝聚的层次聚类算法和分裂的层次聚类算法，这两种方法没有优劣之分，只是在实际应用的过程中根据数据的特点以及想得到的类，来考虑具体那种方法计算时所花费的时间少，数据不同时间也会相应的不同。

层次聚类的流程

凝聚型层次聚类的策略是先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足。绝大多数层次聚类属于凝聚型层次聚类，它们只是在簇间相似度的定义上有所不同。这里给出采用最小距离的凝聚层次聚类算法流程：

1. 将每个对象看作一类，计算两两之间的最小距离；
2. 将距离最小的两个类合并成一个新类；
3. 重新计算新类与所有类之间的距离；
4. 重复2、3，直到所有类最后合并成一类；

层次聚类的优缺点 

优点&