plt.figure(figsize=(10, 7))
plt.title(“Dendrograms”)
dend = shc.dendrogram(shc.linkage(data_scaled, method=’ward’))
x轴包含样本，y轴表示这些样本之间的距离 。最大距离的垂直线是蓝线，因此我们可以确定阈值为6并切割树形图：
plt.figure(figsize=(10, 7))
plt.title(“Dendrograms”)
dend = shc.dendrogram(shc.linkage(data_scaled, method=’ward’))
plt.axhline(y=6, color=’r’, linestyle=’–‘)
我们有两个簇，因为这条线在两点切割树状图 。现在让我们为2个集群应用层次聚类：
from sklearn.cluster import AgglomerativeClustering
cluster = AgglomerativeClustering(n_clusters=2, affinity=’euclidean’, linkage=’ward’)
cluster.fit_predict(data_scaled)
我们可以在输出中看到0和1的值，因为我们定义了2个簇 。0表示属于第一个簇的点，1表示第二个簇中的点 。现在让我们想象两个集群：
plt.figure(figsize=(10, 7))
plt.scatter(data_scaled[‘Milk’], data_scaled[‘Grocery’], c=cluster.labels_)
真棒！我们可以清楚地看到这两个集群 。这就是我们如何在Python中实现层次聚类 。
结语
层次聚类是一种非常有用的观测分段方法 。不必预先定义集群数量的优点使其比k-Means更具优势 。
推荐阅读
- 算法重大调整红利基本结束 2022抖音日活量是多少
- 什么是商业数据分析商业数据分析的四个层次
- 马斯洛需求层次理论简述 马斯洛需求层次理论名词解释
- 什么是逻辑算法逻辑回归算法你了解多少
- 马斯洛需求层次 马斯洛需要层次论主要包括
- 海南省人才认定标准2021 2021海南高层次人才证明认定
- 海南高层次E类人才 海南高层次E类人才对应的是什么人才
- 海南高层次人才子女入学政策 海南高层次人才子女入学办法
- 海南高层次人才落户条件 海南高层次人才落户的标准
- 海口高层次人才落户怎么办理 海口人才落户要求