重庆网站设计排名,网站提现功能怎么做,南京建站在线咨询,百度博客收录提交入口已知数据集D中有9个数据点#xff0c;分别是(1,2)#xff0c;(2#xff0c;3)#xff0c;(2,1), (3,1),(2,4),(3,5),(4,3),(1,5),(4,2)。要求#xff1a; (1)采用层次聚类的聚集算法进行聚类#xff0c;k2。 (2)距离计算采用欧几里得距离。 (3)簇之间的距离采用单链接方… 已知数据集D中有9个数据点分别是(1,2)(23)(2,1), (3,1),(2,4),(3,5),(4,3),(1,5),(4,2)。要求 (1)采用层次聚类的聚集算法进行聚类k2。 (2)距离计算采用欧几里得距离。 (3)簇之间的距离采用单链接方式度量。 AGNESAgglomerative Nesting算法是一种层次聚类算法它属于聚类分析中的一种。该算法通过不断地将最相似的数据点或聚类合并在一起从而构建一个层次结构的聚类。这个过程是自下而上的即从单个数据点或小的聚类开始逐步合并形成更大的聚类直到所有的数据点都被合并成一个大的聚类 步骤 1初始化将每个数据点视为一个单独的聚类。 步骤 2计算距离矩阵计算每一对数据点之间的欧几里得距离。 步骤 3找到最小距离找到距离矩阵中最小的距离合并对应的两个数据点或聚类。 步骤 4更新距离矩阵根据合并的聚类更新距离矩阵。 步骤 5重复步骤 3 和 4重复上述步骤直到得到k个聚类。 初始簇{1}, {2}, {3}, {4}, {5}, {6}, {7}, {8}, {9} 每个数据之间的欧几里得距离 答案不唯一
步骤最近的簇距离最近的两个簇合并后的新簇11{3},{4}{3,4}{1}, {2}, {5}, {6}, {7}, {8}, {9}21{2},{5}{3,4},{2,5}, {1}, {6}, {7}, {8}, {9}31{7}, {9}{3,4},{2,5},{7,9}, {1}, {6}, {8}41.414{1},{3,4}{1,3,4}{2,5},{7,9}, {6}, {8}51.414{6},{2,5}{1,3,4}{2,5,6}, {7,9},{8},61.414{8},{2,5,6}{1,3,4}{2,5,6,8}, {7,9},71.414{7,9},{1,3,4}{1,3,4,7,9}{2,5,6,8}结束
