层次聚类 sklearn

层次聚类是一种常用的聚类算法，它可以将数据集中的样本分成不同的组或簇。在Python中，可以使用scikit-learn库中的AgglomerativeClustering函数来实现层次聚类。下面是一个简单的层次聚类示例：

from sklearn.cluster import AgglomerativeClustering
import numpy as np

X = np.array([[1, 2], [1, 4], [1, 0],
              [4, 2], [4, 4], [4, 0]])
clustering = AgglomerativeClustering().fit(X)
print(clustering.labels_)

上述代码中，我们使用numpy库生成了一个二维数组X，然后使用AgglomerativeClustering函数对其进行聚类，并输出每个样本所属的簇的标签。

另外，如果想要对AgglomerativeClustering算法进行测试，可以使用make_blobs函数生成一些随机数据，然后进行聚类。具体代码如下：

from sklearn.cluster import AgglomerativeClustering
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

X, y = make_blobs(n_samples=50)
model = AgglomerativeClustering(distance_threshold=0, n_clusters=None)
model = model.fit(X)
mat = getLinkageMat(model)
test = dendrogram(mat)
plt.show()

上述代码中，我们使用make_blobs函数生成了50个随机数据点，然后使用AgglomerativeClustering函数对其进行聚类，并使用matplotlib库将聚类结果可视化。