数据挖掘层次聚类算法代码

数据挖掘中的层次聚类算法是一种无监督学习方法，它将数据集中的对象逐步合并成越来越大的类别（簇），形成一棵树形结构。常见的层次聚类算法有凝聚型（自底向上）和分裂型（自顶向下）两种。这里我会简要描述一个基于Python的Scikit-learn库实现的凝聚型层次聚类（Hierarchical Clustering）的代码示例。

from sklearn.cluster import AgglomerativeClustering
import numpy as np
import matplotlib.pyplot as plt

# 假设你有一个二维数据集data
data = np.random.rand(100, 2)  # 生成随机数据

# 创建AgglomerativeClustering实例，设置连接方法为ward（默认）以减小内部方差
cluster = AgglomerativeClustering(n_clusters=3, affinity='euclidean', linkage='ward')

# 对数据进行聚类
labels = cluster.fit_predict(data)

# 绘制聚类结果
plt.scatter(data[:, 0], data[:, 1], c=labels, cmap='viridis')
plt.title('Hierarchical Clustering Result')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

这个例子中，`AgglomerativeClustering`是主要的类，`n_clusters`参数指定你希望得到的最终簇的数量，`affinity`决定了相似度度量（如欧式距离），`linkage`决定了合并策略。