层次聚类

Question

我已经阅读了一些参考资料，并了解了层次聚类的工作原理。然而，当我将其与k-means聚类进行比较时，在我看来，k-means确实构成了特定数量的聚类，而层次分析则向我展示了如何对样本进行聚类。我的意思是，在分层聚类中，我没有获得特定数量的集群。我只得到了一个关于集群如何构成的方案，以及样本之间的部分关系。

因此，我无法理解在哪里可以使用这种聚类方法。

Answer 1

层次聚类(HC)只是另一种基于距离的聚类方法，类似于k-means。集群的数量可以通过cutting the dendrogram represented by HC大致确定。对于所有聚类方法来说，确定数据集中的聚类数并不是一项容易的任务，这通常基于您的应用程序。对于研究人员来说，调整HC中的阈值可能更明确和直接，特别是对于非常大的数据集。我认为this question也是相关的。

Answer 2

在k-means聚类中，k是一个超参数，您需要找到它才能将数据点划分为多个聚类，而在分层聚类(让我们采用一种类型的分层聚类，即凝聚聚类)中，首先将数据集中的所有点视为一个聚类，然后基于相似性度量合并两个聚类，并重复此过程，直到得到单个聚类。我将用一个例子来解释这一点。

因此，在分层聚类中，没有超参数，这取决于你的问题，如果你想要7个集群，那么在第二步停止如果你想要4个集群，那么在第三步停止，同样如此。

层次聚类的一个实际优势是可以使用树状图可视化结果。如果您事先不知道您要查找的集群数量(…通常是这种情况)，您可以使用树状图来帮助您选择k，而不需要创建单独的聚类。Dendrogram还可以很好地洞察数据结构，帮助识别异常值等。层次聚类也是确定性的，而随机初始化的k-means可以在同一数据上运行多次时给出不同的结果。

希望这能有所帮助。