层次式聚类 Hierarchical Clustering

简介：
层次式聚类是一种逐步创建或摧毁集群的分层集群分析技术，在生物信息学、文本挖掘等领域广泛应用。 层次聚类算法是一种常用的无监督学习方法，用于对数据集进行分层划分以发现样本间的潜在关系或结构。该算法通过构建一个树状的嵌套层级来表示不同规模的数据簇，并且可以分为凝聚（自底向上）和分裂（自顶向下）两种类型。 在层次聚类中，首先将每个观测视为独立的一组，然后逐步合并相似度最高的两个群集直到所有样本归为一类。这一过程通过计算每对群集之间的距离来实现；常用的距离测量方法包括单链、全链以及平均连接等策略。另外，在分裂型算法里，则是从包含全部数据的单一簇开始并递归地将其划分为较小的子簇，直至每个最终结果都只含有一个观测。 层次聚类的一个重要特性是能够生成树形结构——即所谓的“凝聚图”（dendrogram）。这种图形展示出各个阶段中合并或分裂操作的结果，并帮助用户选择合适的分组数量。尽管这种方法直观易懂且灵活度高，但它也存在一些局限性：比如计算复杂度较高、对噪音和异常值敏感以及无法有效处理大规模数据集。 总的来说，层次聚类为研究者提供了一种强大的工具来探索多维空间中的模式，并在许多领域如生物信息学、社会网络分析及市场营销中得到了广泛应用。