← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9833.f · 生成模型:DeepSeek-V4.1-Flash

层次聚类的合并与分裂

理解等级:初级

层次聚类不是某一个算法,而是一类”一层一层聚类”的算法总称。它不直接给出一个平面的划分,而是构造一族嵌套的簇:小簇套在大簇里,形成一棵树。按构造方向分两种:

  • 凝聚法(自下而上):每个样本先各成一簇,然后不断把最近的两簇合并,直到只剩一簇或达到目标簇数。
  • 分裂法(自上而下):全体样本先是一簇,然后不断把大簇拆开。

凝聚法的代表是 AgglomerativeClustering,流程只有三步:把每个样本点当作一个簇 → 计算各簇之间的距离、合并最近的两个 → 重复直到达到设定簇数或满足停止条件。整个过程的关键全在”簇间距离怎么算”上,这一点单独成卡(见 [[三种簇间距离改变合并顺序]])。

它相对 K-Means 的最大好处是层次结构本身就是结果:你可以先看树,再决定切几类。若要 K 类,就找子节点数为 K 的那一层切下去。这让”K 值难定”的问题被推迟到看见结构之后再回答(对比 [[K 值为什么只能试出来]])。代价是计算量:需要算出所有样本两两之间的距离,样本量大时不可行。

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

    • 第12章 聚类 12.3.1 层次聚类的过程和原理 · 查看原书依据

      层次聚类(Hierarchical Clustering),顾名思义,就是一层一层地进行聚类。它是一类算法的总称,主要通过从下往上不断合并簇,或者从上往下不断分离簇形成嵌套的簇。我们把从下往上对小类进行聚合的方式叫作凝聚法,把从上往下将大类分割成小类的方式叫作分裂法。

    参考来源

    - 位置:《机器学习基础:从入门到求职》第12章《第12章 聚类》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00015.html) - 结论依据:原文定义层次聚类为"一层一层地进行聚类"的算法总称,区分凝聚法与分裂法,并给出 AgglomerativeClustering 的三步流程与"先建树、再按层选 K"的优点。 - 原始内容:层次聚类(Hierarchical Clustering),顾名思义,就是一层一层地进行聚类。它是一类算法的总称,主要通过从下往上不断合并簇,或者从上往下不断分离簇形成嵌套的簇。我们把从下往上对小类进行聚合的方式叫作凝聚法,把从上往下将大类分割成小类的方式叫作分裂法。