层次聚类优化方法BIRCH（聚类特征树的多阶段聚类）

class sklearn.cluster.Birch（threshold = 0.5，branching_factor = 50，n_clusters = 3，compute_labels = True，copy = True ）

 

参数：

threshold：float，默认值为 0.5 通过合并新样本和最近的子集群获得的子集群的半径应小于阈值。否则，将启动新的子集群。 branching_factor：int，默认值为50 每个节点中的最大CF子集群数。如果输入新样本使得子集群的数量超过branching_factor，则必须拆分该节点。必须拆分相应的父级，如果父级中的子子集数大于分支因子，则必须递归拆分。 n_clusters：int，sklearn.cluster模型的实例，默认为None 最终聚类步骤之后的聚类数，它将叶子中的子聚类视为新样本。默认情况下，不执行此最终聚类步骤，并按原样返回子聚类。如果提供了模型，则模型适合将子集视为新样本，并将初始数据映射到最近的子集群的标签。如果提供了int，则模型拟合为AgglomerativeClustering，其中n_clusters设置为int。 compute_labels：bool，默认为True 是否为每个拟合计算标签。 copy：bool，默认为True 是否复制给定数据。如果设置为False，则将覆盖初始数据。