聚合聚类层次分析法，sklearn自己制作数据集，完整代码，可视化

好的，以下是使用聚合聚类层次分析法进行数据聚类的完整代码，并包括可视化结果：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import AgglomerativeClustering
from sklearn.datasets import make_blobs
from scipy.cluster.hierarchy import dendrogram

# 生成随机数据集
X, y = make_blobs(n_samples=50, centers=3, random_state=42)

# 创建聚合聚类模型
model = AgglomerativeClustering(n_clusters=3)

# 拟合数据
model.fit(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=model.labels_, cmap='rainbow')
plt.show()

# 绘制树状图
def plot_dendrogram(model, **kwargs):
    """
    画出树状图
    """
    # 创建距离矩阵
    distances = model.distances_
    # 计算连线
    linkage_matrix = np.column_stack([model.children_, distances, np.zeros_like(distances)])
    # 画图
    dendrogram(linkage_matrix, **kwargs)

plt.title('Hierarchical Clustering Dendrogram')
plot_dendrogram(model, truncate_mode='level', p=3)
plt.xlabel("Number of points in node (or index of point if no parenthesis).")
plt.show()

在代码中，我们使用 `make_blobs` 方法生成了一个包含 50 个样本和 3 个中心的数据集。然后，我们创建了一个 `AgglomerativeClustering` 模型，并将其拟合到数据集中。最后，我们使用 `plt.scatter` 方法可视化了聚类结果，并使用 `plot_dendrogram` 方法绘制了树状图。

树状图可以帮助我们更好地理解聚类的过程和结果。在树状图中，横轴表示样本点的索引，纵轴表示样本点之间的距离。每个竖直线段表示两个样本点之间的距离，横坐标为这两个样本点的索引。在树状图的底部，我们可以看到每个样本点的编号。在树状图的顶部，我们可以看到聚类结果。例如，在本例中，我们可以看到最终的聚类结果包含 3 个簇。