Agnes聚类方法实验报告：从原理到实践的技术解析

1次阅读

没有评论

共计 1177 个字符，预计需要花费 3 分钟才能阅读完成。

聚类分析是机器学习中常用的无监督学习方法，广泛应用于客户分群、异常检测、图像分割等场景。Agnes（Agglomerative Nesting）作为一种层次聚类算法，与 K -means、DBSCAN 等算法相比，具有以下特点：

优点：
无需预先指定聚类数量
能够生成层次化的聚类结构
对数据分布没有强假设
缺点：
时间复杂度较高（O(n^3)）
对噪声和异常值敏感
内存消耗较大

K-means
优点：计算速度快，适合大规模数据
缺点：需要预先指定 K 值，对非球形分布效果差
DBSCAN
优点：能发现任意形状的簇，对噪声鲁棒
缺点：对参数敏感，高维数据效果下降
Agnes
优点：可解释性强，能展示层次关系
缺点：计算成本高，不适合大数据集

Agnes 算法的实现流程如下：

初始化 ：将每个数据点视为一个单独的簇
计算距离矩阵 ：使用欧式距离、余弦相似度等度量
合并最近簇 ：根据选定的连接标准（单连接、全连接、平均连接等）
更新距离矩阵 ：重新计算新簇与其他簇的距离
重复合并 ：直到所有数据点合并为一个簇

关键参数包括：

距离度量：欧式距离、曼哈顿距离等
连接标准：决定簇间距离的计算方式

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

# 生成示例数据
X, _ = make_blobs(n_samples=300, centers=4, random_state=42)

# 构建模型
model = AgglomerativeClustering(
    n_clusters=4,  # 最终聚类数量
    affinity='euclidean',  # 距离度量
    linkage='ward'  # 连接标准
)

# 训练模型
labels = model.fit_predict(X)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.title('Agnes Clustering Result')
plt.show()