خوشه بندی سلسله مراتبی یک روش تجزیه و تحلیل خوشه است که سلسله مراتبی از خوشه ها را ایجاد می کند، به طور گسترده ای در تجزیه و تحلیل داده ها به عناصر مشابه گروه بر اساس ویژگی های آنها استفاده می شود.این تکنیک برای درک ساختار داده ها و شناسایی گروه های طبیعی مفید است.

مفاهیم پایه خوشه بندی Hierarchical

ایده اصلی پشت خوشه سلسله مراتبی ایجاد یک ساختار درخت مانند به نام یک دنروگرام است.این دنروگرام نشان می دهد که چگونه نقاط داده در سطوح مختلف مشابه گروه بندی می شوند.این فرایند می تواند یک آگموگرافی باشد، با نقاط داده فردی شروع می شود و یا آنها را ادغام می کند، یا تقسیم، با تمام نقاط داده در یک خوشه و تقسیم آنها شروع می شود.

گام های خوشه ای Hierarchical

مراحل معمول درگیر عبارتند از:

  • فاصله بین نقاط داده را با استفاده از یک متریک انتخاب شده مانند فاصله Euclidean محاسبه کنید.
  • دو نقطه یا خوشه نزدیک را بر اساس معیار پیوند قرار دهید.
  • ماتریس فاصله را به روز کنید تا خوشه جدید را منعکس کنید.
  • فرآیند ادغام را تکرار کنید تا تمام نقاط داده به یک خوشه واحد یا یک معیار توقفی جمع شوند.

مثال اجرایی عملی

با استفاده از کتابخانه علمیPy پایتون، خوشه بندی سلسله مراتبی می تواند به طور موثر اجرا شود. مثال زیر نشان می دهد که چگونه خوشه ای را بر روی مجموعه داده ها انجام دهید:

[[ویرایش] [۱]

⁇ python import numpy as np از py.catter.hierarchy import linkage, dendrogram import matplotlib.pyplot as plt # داده های نمونه = np.array ([1, 2], [3, [5, 6], [8], 8 [9] , {\displaystyle {\displaystyle \"(}}

برنامه های خوشه ای Hierarchical

خوشه بندی سلسله مراتبی در زمینه های مختلف مانند زیست شناسی برای تجزیه و تحلیل بیان ژن، بازاریابی برای تقسیم بندی مشتری و تجزیه و تحلیل تصویر برای تشخیص شی استفاده می شود.توانایی آن برای آشکار کردن ساختار داده ها در سطوح مختلف آن را یک ابزار چند منظوره می سازد.