Python实现层次聚类的方法讲解

Python实现层次聚类

层次聚类是数据挖掘中常用的一种聚类方法，它可以将数据集中的样本分组，使得每一组内的样本相似度最大，不同组之间的样本相似度最小。Python实现层次聚类的方法有很多，其中最常用的是使用Scikit-learn库中的AgglomerativeClustering类。

使用AgglomerativeClustering类实现层次聚类

AgglomerativeClustering类是Scikit-learn库中用于实现层次聚类的类，它可以将数据集中的样本分为多个组，使得每一组内的样本相似度最大，不同组之间的样本相似度最小。使用AgglomerativeClustering类实现层次聚类的步骤如下：

• 创建一个AgglomerativeClustering类的实例，并指定聚类中心的个数。
• 使用fit()方法将数据集中的样本聚类，fit()方法的输入参数是一个n_samples行n_features列的矩阵，表示数据集中的样本。
• 使用labels_属性可以获得每个样本所属的类别。

# 导入AgglomerativeClustering类
from sklearn.cluster import AgglomerativeClustering

# 创建AgglomerativeClustering类的实例，指定聚类中心的个数为3
clustering = AgglomerativeClustering(n_clusters=3)

# 使用fit()方法将数据集中的样本聚类
clustering.fit(X)

# 使用labels_属性获得每个样本所属的类别
labels = clustering.labels_

以上就是使用Python实现层次聚类的方法，它可以将数据集中的样本分组，使得每一组内的样本相似度最大，不同组之间的样本相似度最小。