ClusteringTree

ClusteringTree[{e1,e2,…}]

构建元素 e1、e2、…等的分级聚类的加权树.

ClusteringTree[{e1v1,e2v2,…}]

在构建的图中用 vi 表示 ei.

ClusteringTree[{e1,e2,…}{v1,v2,…}]

在构建的图中用 vi 表示 ei.

ClusteringTree[label1e1,label2e2…]

在构建的图中用标签 labeli 表示 ei.

ClusteringTree[data,h]

通过把距离小于 h 的子聚类连在一起，根据 data 的分级聚类构建加权树.

更多信息和选项

范例

打开所有单元关闭所有单元

基本范例  (5)

获得一个数字列表的聚类层次结构：

合并距离小于 2 的聚类：

获得一个字符串列表的聚类层次结构：

获得一个图像列表的聚类层次结构：

获得一个城市列表的聚类层次结构：

获得一个布尔实体列表的聚类层次结构：

范围  (8)

获得一个数字列表的聚类层次结构：

获取叶的标签：

通过 VertexWeight 查看子聚类之间的距离：

求根顶点到叶 3.4 的最短路径：

从异构数据集中获取聚类结构：

与颜色的聚类结构进行比较：

生成随机颜色的列表：

利用 "Centroid" 关联获取列表的聚类层次结构：

根据 Association 计算层次聚类：

与 Values 的层次聚类进行比较：

与 Keys 的层次聚类进行比较：

合并距离小于 0.4 的聚类，获取聚类结构：

改变 ClusteringTree 的样式和布局：

从三维向量列表获取聚类层次结构并用相应元素的总和作为叶的标记：

将它与各向量总和的聚类层次结构比较：

获取整数列表的聚类层次结构：

使用正则多边形改变顶点标签：

选项  (3)

ClusterDissimilarityFunction  (1)

生成随机颜色的列表：

通过使用 "Centroid" 的关联获取列表的聚类层次结构：

通过使用 "Single" 的关联获取列表的聚类层次结构：

使用不同的 "ClusterDissimilarityFunction" 获取列表的聚类层次结构：

DistanceFunction  (1)

生成随机向量的列表：

使用一个不同的 DistanceFunction 获取聚类层次结构：

FeatureExtractor  (1)

从图片列表中获取聚类结构：

使用不同的 FeatureExtractor 提取特征：

使用 Identity FeatureExtractor 保持数据不变：

Wolfram Research (2016)，ClusteringTree，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ClusteringTree.html （更新于 2017 年）.

文本

Wolfram Research (2016)，ClusteringTree，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ClusteringTree.html （更新于 2017 年）.

CMS

Wolfram 语言. 2016. "ClusteringTree." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2017. https://reference.wolfram.com/language/ref/ClusteringTree.html.

APA

Wolfram 语言. (2016). ClusteringTree. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ClusteringTree.html 年

BibTeX

@misc{reference.wolfram_2024_clusteringtree, author="Wolfram Research", title="{ClusteringTree}", year="2017", howpublished="\url{https://reference.wolfram.com/language/ref/ClusteringTree.html}", note=[Accessed: 14-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_clusteringtree, organization={Wolfram Research}, title={ClusteringTree}, year={2017}, url={https://reference.wolfram.com/language/ref/ClusteringTree.html}, note=[Accessed: 14-November-2024 ]}