分層聚類

分層聚類

層次聚類也被稱為分層聚類分析或HCA。這種分層集群通常用於數據挖掘和統計數據。層次聚類的方法進行集群分析,然後構建集群的層次結構。

層次聚類的方法適用於數據的分組從樹上的集群。層次聚類處理每個數據作為一個單獨的集群,然後組相似集群為一組。

層次聚類的端點,最好的部分的端點集集群,每個集群都是不同的,不同於對方,但這些集群的內部存在的對象彼此相似和相同的

層次聚類的工作

層次聚類的最好的部分是它的工作方式。層次聚類的第一個開始工作,抓住每一個觀察作為一種獨特的和單獨的集群。在這個步驟中,它重複兩個步驟如下

1. 步驟1——它識別兩個集群最接近對方。

2. 步驟2——它是合並兩個類似的集群。

這個過程繼續,直到所有集群合並在一起。

的圖,我們使用層次聚類係統樹圖。係統樹圖是樹狀結構,使統計數據序列的合並和分裂。係統樹圖以圖形方式表示層次結構以及倒的樹來描述秩序因素合並自底向上的視圖,和現在的集群分為自上而下的觀點。

層次聚類的基本目的是產生一係列分層嵌套集群。

使用層次聚類的重要性

分層聚類是最受歡迎和廣泛使用的聚類方法,它是被用來分析社會網絡數據。在這種方法中,節點正在與一個另一個基於他們的相似之處。分層聚類是最強大的方法或技巧,幫助你和允許您構建樹結構的數據相似之處。

從技術角度講,如果我們定義層次聚類,那麼它的層次分解數據基於組相似。

生成層次聚類方法

有兩個生成層次聚類的方法如下

1)會凝聚的層次聚類

2)分裂層次聚類

會凝聚的層次聚類

開始時,每一個數據點被認為是一個單獨的集群,每走一步,這些單個集群正在與最近的合並對集群。這種方法稱為自底向上的方法。

我們考慮在執行的方法會凝聚的層次聚類如下

1. 首先,計算一個集群的相似性,這種相似性進行比較與其他集群,這意味著你必須計算距離矩陣。

2. 其次,你必須考慮每一個數據點集群作為一個個體。

3. 第三,你要合並的集群是高度相似。

4. 然後你必須為每個集群計算距離矩陣。

5. 最後,將繼續重複步驟3和步驟4,直到我們得到單個集群。

分裂的層次聚類

分裂的層次聚類正好相反的會凝聚的層次聚類。我們跟隨分裂層次聚類的步驟如下所示

1. 首先,我們將考慮所有的數據點。

2. 其次,這些數據點被視為一個集群。

3. 第三,在每次迭代中,我們繼續比較這些集群和集群開始分離的數據點。分離的數據點是那些不與對方。

4. 最後,最後分裂層次聚類隻剩下N集群。

層次聚類所需的數據

層次聚類的數據可以進行一個距離矩陣或原始數據。當原始數據給用戶,將用戶輸入的軟件,該軟件會自動在後台計算距離矩陣。

層次聚類的優勢

層次聚類的主要優勢是,它是簡單和容易理解。在層次聚類,有四種類型的聚類算法如下)

1. 分層聚類

2. k - means聚類分析

3. 潛在類別分析

4. 自組織映射。

層次聚類的數學是最簡單的理解與其他聚類算法,因為它是簡單的程序。層次聚類的主要輸出是係統樹圖,它是最好的輸出之間的所有above-given算法。

層次聚類的弱點

有一些最大的弱點分層集群如下- - - - - -

1. 他們不處理缺失數據。

2. 它涉及到大量的武斷的決定。是非常重要和必要的,同時使用層次聚類,您需要指定距離度量和鏈接的標準。

3. 它工作很差的混合數據類型。這樣做的原因是,它是非常困難的決定如何計算一個遙遠的矩陣。沒有簡單的公式可以計算變量的距離都是數字和定性。

4. 它不工作在非常大的數據集,因為,層次聚類的輸出,係統樹圖,誤解了大部分的時間。

5. 使用層次聚類的一個最大的缺點是它很少會為您提供最好的解決方案。

為了克服這些缺點,有更好的和更現代的替代品,其中之一就是潛類別分析為了解決所有層次聚類分析相關的問題。

層次聚類的應用

有許多應用程序分層聚類,如下

1. 美國參議員集群通過Twitter。

2. 圖表通過係統發育進化樹。

3. 跟蹤病毒通過係統發育樹。

結論

分層聚類是最強大的和有效的方法,幫助你和允許您構建樹結構的數據相似之處。使用層次聚類有優缺點,但在細分,然後分層聚類是一個最好的和有用的方法。它工作得很好當集群的數量沒有定義,但它也確實不工作時存在大量的數據。