from sklearn.datasets import make_blobs from sklearn.cluster import AgglomerativeClustering import numpy as np import matplotlib.pyplot as plt from itertools import cycle centers=[[1,1],[-1,-1],[1,-1]] n_samples = 3000 X, lables_true = make_blobs(n_samples = n_samples, centers= centers, cluster_std = 0.6,random_state = 0) linkages = ['ward', 'average', 'complete','single']\ for i, v in enumerate(linkage): n_clusters_=3 #构建凝聚层次类模型，参数linkage依次取值linkages中的各个元素 , n_clusters=n_clusters,其他参数默认 ac= #训练数据集 #获取聚类数据在分类，赋值给lables lables= #结果数据可视化 #使用subplot构建2行2列的图画布局 plt.subplot #绘制单个层次聚类结果图 plt.scatter plt.title('%s,%d'%(v,ac.n_clusters)) #思考标题中两个值分别表示什么意义 plt.show()

这段代码使用Scikit-learn库中的make_blobs函数生成了一个包含3个中心的随机数据集，每个中心周围有高斯分布的数据点。然后使用AgglomerativeClustering函数进行层次聚类，参数linkage依次取值linkages中的各个元素，n_clusters设置为3。最后使用matplotlib库绘制聚类结果图。具体解释请看注释：

from sklearn.datasets import make_blobs 
from sklearn.cluster import AgglomerativeClustering 
import numpy as np 
import matplotlib.pyplot as plt 
from itertools import cycle 

centers = [[1, 1], [-1, -1], [1, -1]] 
n_samples = 3000 

# 生成随机数据集
X, labels_true = make_blobs(n_samples=n_samples, centers=centers, cluster_std=0.6, random_state=0) 

linkages = ['ward', 'average', 'complete', 'single'] 

# 构建4种不同链接方式的凝聚层次聚类模型
for i, linkage in enumerate(linkages): 
    n_clusters_ = 3 
    # 构建凝聚层次类模型，参数linkage依次取值linkages中的各个元素，n_clusters=n_clusters，其他参数默认
    ac = AgglomerativeClustering(linkage=linkage, n_clusters=n_clusters_) 
    # 训练数据集
    labels = ac.fit_predict(X) 
    # 结果数据可视化
    # 使用subplot构建2行2列的图画布局
    plt.subplot(2, 2, i + 1) 
    # 绘制单个层次聚类结果图
    colors = cycle('bgrcmyk') 
    for k, col in zip(range(n_clusters_), colors): 
        my_members = labels == k 
        plt.scatter(X[my_members, 0], X[my_members, 1], color=col, label='Cluster %d' % k, alpha=0.5) 
    plt.title('%s, %d' % (linkage, ac.n_clusters)) 
plt.show()