聚类算法总结以及python代码实现
一、聚类（无监督）的目标
使同一类对象的相似度尽可能地大；不同类对象之间的相似度尽可能地小。
二、层次聚类
层次聚类算法实际上分为两类：自上而下或自下而上。自下而上的算法在一开始就将每个数据点视为一个单一的聚类，然后依次合并（或聚集）类，直到所有类合并成一个包含所有数据点的单一聚类。因此，自下而上的层次聚类称为合成聚类或HAC。聚类的层次结构用一棵树（或树状图）表示。树的根是收集所有样本的唯一聚类，而叶子是只有一个样本的聚类。在继续学习算法步骤之前，先查看下面的图表
1.我们首先将每个数据点作为一个单独的聚类进行处理。如果我们的数据集有X个数据点，那么我们就有了X个聚类。然后我们选择一个度量两个聚类之间距离的距离度量。作为一个示例，我们将使用平均连接（average linkage）聚类，它定义了两个聚类之间的距离，即第一个聚类中的数据点和第二个聚类中的数据点之间的平均距离。
2.在每次迭代中，我们将两个聚类合并为一个。将两个聚类合并为具有最小平均连接的组。比如说根据我们选择的距离度量，这两个聚类之间的距离最小，因此是最相似的，应该组合在一起。
3.重复步骤2直到我们到达树的根。我们只有一个包含所有数据点的聚类。通过这种方式，我们可以选择最终需要多少个聚类，只需选择何时停止合并聚类，也就是我们停止建造这棵树的时候！
层次聚类算法不要求我们指定聚类的数量，我们甚至可以选择哪个聚类看起来最好。此外，该算法对距离度量的选择不敏感;它们的工作方式都很好，而对于其他聚类算法，距离度量的选择是至关重要的。层次聚类方法的一个特别好的用例是，当底层数据具有层次结构时，你可以恢复层次结构;而其他的聚类算法无法做到这一点。层次聚类的优点是以低效率为代价的，因为它具有O(n³)的时间复杂度，与K-Means和高斯混合模型的线性复杂度不同。
层次聚类方法对给定的数据集进行层次的分解，直到某种条件满足或者达到最大迭代次数。具体又可分为：
凝聚的层次聚类（AGNES算法）：一种自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇（一般是计算所有簇的中心之间的距离，选取距离最小的两个簇合并），直到某个终结条件被满足或者达到最大迭代次数。
分裂的层次聚类（DIANA算法）：采用自顶向下的策略，它首先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇（一般是每次迭代分裂一个簇为两个），直到达到了某个终结条件或者达到最大迭代次数。
import sys,osimport numpy as npclass Hierarchical: def __init__(self,center,left=None,right=None,flag=None,distance=0.0): self.center = center self.left = left self.right = right self.flag = flag self.distance = distancedef traverse(node): if node.left==None and node.right==None: return [node.center] else: return traverse(node.left)+traverse(node.right)def distance(v1,v2): if len(v1)!=len(v2): print("出现错误了") distance = 0 for i in range(len(v1)): distance+=(v1[i]-v2[i])**2 distance = np.sqrt(distance) return distancedef hcluster(data,n): if len(data)<=0: print(‘invalid data‘) clusters = [Hierarchical(data[i],flag=i) for i in range(len(data))] #print(clusters) distances = {} min_id1 = None min_id2 = None currentCluster = -1 while len(clusters)>n: minDist = 100000000000000 for i in range(len(clusters)-1): for j in range(i+1,len(clusters)): #print(distances.get((clusters[i], clusters[j]))) if distances.get((clusters[i],clusters[j]))==None: distances[(clusters[i].flag,clusters[j].flag)]=distance(clusters[i].center,clusters[j].center) if distances[(clusters[i].flag,clusters[j].flag)]<= minDist: min_id1 = i min_id2 = j minDist = distances[(clusters[i].flag,clusters[j].flag)] if min_id1!=None and min_id2!=None and minDist!=1000000000: newCenter = [(clusters[min_id1].center[i]+clusters[min_id2].center[i])/2 for i in range(len(clusters[min_id2].center))] newFlag = currentCluster currentCluster -= 1 newCluster = Hierarchical(newCenter,clusters[min_id1],clusters[min_id2],newFlag,minDist) del clusters[min_id2] del clusters[min_id1] clusters.append(newCluster) finalCluster = [traverse(clusters[i]) for i in range(len(clusters))] return finalClusterif __name__ == ‘__main__‘: data = [[123,321,434,4325,345345],[23124,141241,434234,9837489,34743],\ [128937,127,12381,424,8945],[322,4348,5040,8189,2348],\ [51249,42190,2713,2319,4328],[13957,1871829,8712847,34589,30945], [1234,45094,23409,13495,348052],[49853,3847,4728,4059,5389]] #print(len(data)) finalCluster = hcluster(data,3) print(finalCluster) #print(len(finalCluster[0]))