"Agglomerate" （机器学习方法）

详细信息和子选项

  • "Agglomerate" 是一种层次聚类方法. 当集群具有相似的密度并且是各向同性时，"Agglomerate" 效果很好； 但是，当集群大小不同并且对相异函数的选择敏感时，则可能会失败.
  • 下图显示了应用于玩具数据集的 "Agglomerate" 方法的结果：
  • "Agglomerate" 构建聚类的层次结构. 在程序开始时，该方法将每个数据点分配给一个簇，然后迭代合并相似的簇，在每次迭代中，最相似的簇被合并. 当达到指定的簇数时，合并停止. 当未指定簇数时，当所有簇对都高于给定的相似性阈值时，合并停止.
  • 可以给出以下子选项：
  • ClusterDissimilarityFunction"Single"簇距离的链接
  • 聚类差异由链接函数定义，可以由子选项 ClusterDissimilarityFunction 指定. ClusterDissimilarityFunction 的可能设置包括：
  • "Single"簇最近点之间的距离
    "Complete"簇最远点之间的距离
    "Average"簇点之间的平均距离
    "Centroid"簇平均值之间的距离
    "Median"簇中位数之间的距离
    "Ward"簇点之间的平均平方距离
    "WeightedAverage"加权平均簇间差异
    f纯函数
  • "Complete" 链接倾向于打破集群，这与 "Average"、"Centroid"、"Median" 和 "Ward"形成鲜明对比，后者往往会找到相对紧凑且距离较远的常规大小的集群.

范例

打开所有单元关闭所有单元

基本范例  (3)

使用 "Agglomerate" 方法查找附近值的簇：

使用 "Agglomerate" 聚类方法找到邻近值的四个簇：

使用"Agglomerate" 方法获得颜色列表中的簇：

使用 "Agglomerate" 方法创建 ClassifierFunction 以识别两个图像簇：

查找簇分配并按其相应的簇收集图像：

选项  (2)

"ClusterDissimilarityFunction"  (2)

生成二维正态分布的数据点的组：

使用不同的 ClusterDissimilarityFunction 获取邻近的簇：

使用 "Agglomerate" 方法获得颜色列表中的邻近簇：

使用不同的聚类差异获得颜色列表中的邻近簇：