Sklearn 中的层次聚类步骤

Sklearn中实现的凝聚层次聚类（Agglomerative Clustering）的步骤如下：

1. 初始化：将每个样本看做一个单独的类簇。

2. 计算样本之间的距离：根据指定的距离度量方法（比如欧几里得距离或曼哈顿距离）计算每对样本之间的距离。

3. 合并距离最近的类簇：将距离最近的两个类簇合并为一个新的类簇。合并后的类簇之间的距离可以根据指定的链接方式（比如单链接、完全链接或平均链接）进行计算。

4. 重新计算距离矩阵：将新的类簇作为一个单独的样本，重新计算它与所有其他样本之间的距离。

5. 重复步骤3和4，直到所有的样本都被合并为一个类簇为止。

Sklearn中实现的分裂层次聚类（Divisive Clustering）的步骤与凝聚层次聚类相反，具体步骤如下：

1. 初始化：将所有的样本看做一个单独的类簇。

2. 计算样本之间的距离：根据指定的距离度量方法（比如欧几里得距离或曼哈顿距离）计算每对样本之间的距离。

3. 将类簇分裂为两个子类簇：根据指定的分裂方式（比如K均值、密度聚类或基于特征的分裂）将当前的类簇分裂为两个子类簇。

4. 重复步骤2和3，直到所有的样本都被分裂为单独的类簇为止。

需要注意的是，层次聚类是一种迭代的过程，每次合并或分裂类簇都会影响后续的结果，因此需要仔细选择距离度量方法、链接方式、分裂方式等参数。