什么是分层聚类，为什么需要它？

看看这三个经典算法： 桦木岩变色龙

层次聚类分析：

是创建一个层次结构来分解给定的数据集。 该方法可以分为两种操作模式：自上而下（分解）和自下而上（合并）。 为了弥补分解和合并的不足，分层合并往往与其他聚类方法相结合，如圆形定位。

这些方法的典型示例包括：

第一个是; Birch（Balanced Iterative Reduction and Clustering Using Hierarchies）方法，首先使用树的结构来划分对象集; 然后使用其他聚类方法对这些聚类进行优化。

第二种是cure（clustering using reprisentatives）方法，它使用固定数量的代表对象来表示相应的聚类。 然后，将簇收缩指定的量（朝向簇的中心）。

第三种是 rock 方法，它使用集群之间的连接进行集群合并。

最后一个chemaloen，在分层聚类中构建动态模型。

1.聚类分析与其他多变量分析方法的比较。

它很粗糙，理论也不完善，但因为它成功地应用于心理学、经济、社会、管理、医学、地质学、生态学、气象学、考古学、商业决策等领域，成为多元分析的重要方法。

2、聚类分析除了具有独立的统计功能外，还有一个辅助功能，就是配合其他统计方法对数据进行预处理。

例如，当总体不明确时，可以对原始数据进行聚类，聚类后可以基于相似数据建立回归分析。

分析会更好。 同时，如果聚类不是基于个案，而是首先基于变量，则聚类的结果可能会导致在每个类别中引入最具代表性的变量，从而减少进入回归方程。

变量的数量。 3.聚类分析是一种多元统计方法，根据某些特征来研究研究对象的分类，它不关心特征和变量之间的因果关系。

分类的结果应该是类别之间的个体差异较大，同类个体差异相对较小。

1.聚类分析和判别分析的区别和关系都是研究分类，在聚类分析之前，不知道总体有多少种类型（将研究分为几类比较合适，需要从计算中进行调整）。 判别分析是将种群类型划分为已知种群类型，并确定它们属于当前新样本的种群。

当然，如果我们不熟悉所研究的多元数据的特征，那么在考虑判别分析问题之前，我们当然需要进行聚类分析。 2.聚类分析有两种类型：

Q型聚类（样本聚类）、p型聚类（变量聚类） 聚类分析需要注意的是，小样本数据可以使用系统聚类方法，大样本数据可以使用快速聚类方法（k-means聚类法）。 需要判断，根据统计分为几类比较合适，一般采用r平方统计、伪f统计等。 如果采用前者，则从r平方的变换中将n个样本分成几类比较合适，例如，当分为5类时，r的平方是，当分为4类时，其值下降得更快，如果r的平方是，则认为分为5类更合适。

此外，不同的分类方法可能会产生不同的分类结果，应根据实际情况选择最佳的分类方法。 3.判别分析 有 Fisher 判别器、贝叶斯判别器和逐步判别器。

一般来说，Fisher可以用来判别，概率和最小的误判损失应该用贝叶斯来判定，但是当变量较多时，一般需要通过分步判别来筛选出具有统计意义的变量，然后结合实际情况选择使用哪种判别方法。

分层聚类根据聚类之间的相似性，对数据进行不同层次的分析，形成树状聚类结构

通常有两种类型的分层聚类策略：自下而上的集聚策略和自上而下的分裂策略。

将每个对象视为一个类，并计算两个宏之间的最小距离。

将距离最小的两个类合并为一个新类;

重新计算新类与所有类之间的距离;

重复上述步骤，直到所有类最终合并为一个类。

分层聚类的优点：（1）不需要知道有多少个聚类。

2）对距离指标的选择不敏感。

缺点：效率低。