← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1071.b · 生成模型:GPT-6(Codex;本轮出处修订)

层次聚类不需要预先指定簇数

理解等级:未标注

层次聚类通过不断合并(凝聚法)或拆分(分裂法)群集,构建出一棵树状结构(树状图),叶节点是单个样本,树的高度代表群集间的距离。相比[[K均值聚类需要预先指定K值]],层次聚类的优势是可以在聚类完成后,通过在树状图的不同高度”切一刀”来选择合适的簇数,聚类结果的层次结构本身也更直观、更容易被解释。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第12章 基于LSTM-Autoencoder的无监督聚类模型,12.2 聚类模型的应用案例(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0067.xhtml) - 结论依据:原文明确"层次聚类是基于组相似性的数据层次分解……这种层次类似树状结构,也称为树状图。树状图的各个叶结点表示单一的簇类,树的高度表示不同簇类之间的距离。相较于K均值聚类,层次聚类的优势在于无须事先指定簇数量,且这种基于二叉层次聚类的可视化有助于我们解释聚类的结果"。 - 原始内容:层次聚类是基于组相似性的数据层次分解,它依赖聚类技术找到聚类的层次,这种层次类似树状结构,也称为树状图。树状图的各个叶结点表示单一的簇类,树的高度表示不同簇类之间的距离。相较于K均值聚类,层次聚类的优势在于无须事先指定簇数量,且这种基于二叉层次聚类的可视化有助于我们解释聚类的结果。