7,129
个编辑
更改
跳到导航
跳到搜索
第110行：
第110行： − + 第121行：
第121行： − + 第127行：
第127行： − + 第133行：
第133行： − + 第153行：
第153行： − 当簇数足够少时，人们可以停止聚类过程。有些联系也可能保证聚集发生在比先前聚集更大的聚集距离上，直到当聚集距离太远无法合并时可以停止聚集(距离标准)。然而也有例外，如采用质心连接，可能会发生逆转(反转 inversions，偏离超节拍 departures from ultrametricity)<ref>{{Cite book | last1= Legendre | first1 = P. | first2 = L. | last2=Legendre | title= Numerical Ecology | publisher=Elsevier Science BV | date=2003}}</ref>。+
→凝聚聚类实例
[[Image:Clusters.svg|thumb|原始数据|center]]
[[Image:Clusters.svg|thumb|原始数据|center]]
例如，假设要对这些数据进行聚类，将欧式距离作为度量。系统聚类[[树状图]]如下:
例如，假设要对这些数据进行聚类，将欧式距离作为度量。系统聚类[[树状图]]如下：
[[Image:Hierarchical_clustering_simple_diagram.svg|thumb|传统展现法|center]]
[[Image:Hierarchical_clustering_simple_diagram.svg|thumb|传统展现法|center]]
还可以选择在这个阶段构造一个[[距离矩阵 distance matrix]]，其中第''i''行第''j''列中的数字是 ''i''和''j''，即为两个元素之间的距离。然后，随着聚类过程的推进，行和列随着聚类的合并和距离的更新而合并。这是实现这类聚类的常用方法，并且具有缓存簇之间的距离的优点。在[[单连接聚类 single-linkage clustering]]页面中描述了一个简单的凝聚聚类算法; 它适用于很多连接（见下文）。
还可以选择在这个阶段构造一个[[距离矩阵 distance matrix]]，其中第''i''行第''j''列中的数字是 ''i''和''j''，即为两个元素之间的距离。然后，随着聚类过程的推进，行和列随着聚类的合并和距离的更新而合并。这是实现这类聚类的常用方法，并且具有缓存簇之间的距离的优点。在[[单连接聚类 single-linkage clustering]]页面中描述了一个简单的凝聚聚类算法；它适用于很多连接（见下文）。
通常情况下的簇<math>\mathcal{A}</math>和 簇<math>\mathcal{B}</math>之间距离如下:
通常情况下的簇<math>\mathcal{A}</math>和 簇<math>\mathcal{B}</math>之间距离如下：
* 每个簇内元素之间的最大距离（又名[[完全连接聚类 complete-linkage clustering]])
* 每个簇内元素之间的最大距离（又名[[完全连接聚类 complete-linkage clustering]])
* 每个簇内的元素之间的最小距离（也称为[[单连接聚类 single-linkage clustering]]):
* 每个簇内的元素之间的最小距离（也称为[[单连接聚类 single-linkage clustering]])：
::<math> \min \{\, d(x,y) : x \in \mathcal{A},\, y \in \mathcal{B} \,\}. </math>
::<math> \min \{\, d(x,y) : x \in \mathcal{A},\, y \in \mathcal{B} \,\}. </math>
当簇数足够少时，人们可以停止聚类过程。有些联系也可能保证聚集发生在比先前聚集更大的聚集距离上，直到当聚集距离太远无法合并时可以停止聚集（距离标准）。然而也有例外，如采用质心连接，可能会发生逆转（反转 inversions，偏离超节拍 departures from ultrametricity）<ref>{{Cite book | last1= Legendre | first1 = P. | first2 = L. | last2=Legendre | title= Numerical Ecology | publisher=Elsevier Science BV | date=2003}}</ref>。
</br>
</br>