層次聚類的方法及應(yīng)用

1、層次聚類的方法及應(yīng)用層次聚類的方法及應(yīng)用在近幾十年內(nèi)，人工智能和機(jī)器學(xué)習(xí)發(fā)展迅速并且在各個(gè)領(lǐng)域都有著重要的應(yīng)用，如數(shù)據(jù)挖掘，計(jì)算機(jī)視覺，自然語(yǔ)言處理等。而在大數(shù)據(jù)時(shí)代，面對(duì)海量數(shù)據(jù)，往往我們得到的數(shù)據(jù)中先驗(yàn)知識(shí)較少，需要從數(shù)據(jù)本身的分布結(jié)構(gòu)特性去自動(dòng)分析數(shù)據(jù)的屬性和知識(shí)，這就是無(wú)監(jiān)督學(xué)習(xí)。在無(wú)監(jiān)督學(xué)習(xí)中，本文詳細(xì)介紹了層次聚類的方法，包括計(jì)算點(diǎn)之間的距離和類之間的距離，逐步聚合，直到最后為每一類貼標(biāo)簽。并且為了對(duì)層次聚類有更深刻的理解我

2、們對(duì)層次聚類做了實(shí)驗(yàn)，應(yīng)用到一個(gè)鳶尾花花瓣的長(zhǎng)度和寬度數(shù)據(jù)上，從可視化的結(jié)果中發(fā)現(xiàn)層次聚類確實(shí)把相距較遠(yuǎn)的簇成功分開了，成功的識(shí)別出了數(shù)據(jù)中的分布結(jié)構(gòu)。2方法主流的聚類方法包括kmeans，層次聚類，meanshift等。這些算法的共同特點(diǎn)都是以等長(zhǎng)度向量（分布在同一空間中）的集合作為算法的輸入，以每一個(gè)向量所屬類別標(biāo)簽作為輸出，而類別劃分的原則都是越臨近越容易被分到一類，但具體到效果因?yàn)榉椒ú煌煌?。其中，層次聚類的基本思想概括起?/p>

3、就是初始把每個(gè)點(diǎn)單獨(dú)看做一個(gè)類別，然后依次合并兩個(gè)最近的類別，直到需要合并的類別距離大于一個(gè)閾值為止。在我們用計(jì)算機(jī)實(shí)現(xiàn)層次聚類的過程中，需要以下步驟：（1）計(jì)算每?jī)蓚€(gè)點(diǎn)之間的距離，并且存儲(chǔ)在一個(gè)向量里。這兩類的情況，則分別用兩種顏色分辨兩類，橫坐標(biāo)為花瓣長(zhǎng)度或?qū)挾?，縱坐標(biāo)為每?jī)深惖木嚯x，最后將文字轉(zhuǎn)化為圖片，輸入即可得到所要的圖形。4結(jié)果展示圖1是將層次聚類用樹狀圖的方式進(jìn)行表述，橫軸長(zhǎng)度代表每一類大小，縱軸表示相對(duì)距離。而每一組連線

4、都代表著將距離最近的兩點(diǎn)聯(lián)系起來，而這一條連線所取的高度即為兩點(diǎn)距離。具體畫圖過程：從sklearn庫(kù)中挑選出datasets這個(gè)庫(kù)，再?gòu)膁atasets子庫(kù)中讀取iris（鳶尾花）數(shù)據(jù)。挑選出后兩種屬性，即可得出圖像，從這幅圖中明顯可以看出距離和越小越密集。依次向上進(jìn)行層次聚類的過程中類間越來越大。圖2、圖3、圖4三幅圖中，橫軸表示花瓣長(zhǎng)度，縱軸代表花瓣寬度，分別代表著將用層次聚類分為兩類、三類、四類（X=2、1.25、1.15）。X