Ang hierarkikal na pagkukumpol ay isang paraan ng cluster analysis na gumagawa ng isang hierarkiya ng mga kumpol. ito ay malawak na ginagamit sa pagsusuri ng datos upang pangkatin ang mga katulad na bagay batay sa kanilang mga katangian. Ang teknik na ito ay kapaki-pakinabang sa pag-unawa ng istraktura ng datos at pagkilala ng mga natural na grouping.

Mga Pangunahing Konsepto ng Pag - aayos ng Hierarkikal

Ang pangunahing ideya sa likod ng pagkokokodigo ng mga istamento ay ang paglikha ng isang istrakturang tulad ng puno na tinatawag na dendrogram.Ang dendrogram na ito ay naglalarawan kung paanong ang mga puntong datos ay nakapangkat sa iba't ibang antas ng pagkakatulad.Ang proseso ay maaaring maging isang agglomerative, na nagsisimula sa bawat punto ng datos at nagsasanib ng mga ito, o nababahay, na nagsisimula sa lahat ng mga puntong datos sa isang kumpol at naghahati sa mga ito.

Mga Hakbang sa Pag - aayos ng Hierarkikal

Ang karaniwang mga hakbang na nasasangkot ay:

  • Alamin ang distansiya sa pagitan ng mga data point gamit ang isang napiling metriko, gaya ng Euclidean distance.
  • Hango ang dalawang pinakamalapit na mga punto o kumpol batay sa pinag - uugnay na pamantayan.
  • I - iskedyul ang distansiyang matrix upang mabanaag ang bagong kumpol.
  • Ulitin ang proseso ng pagsasanib hanggang sa ang lahat ng mga punto ng datos ay mapangkat sa isang kumpol o ang isang limitasyon sa paghinto ay matugunan.

Praktikal na Halimbawa ng Pag - aasawa

Sa tulong ng aklatan ng SciPy ni Python, ang pagkukumpol ng mga bituin ay maaaring isagawa nang mahusay.

Code snippet:

```Apython ang pag-angkat ng numpy bilang np mula sa scipy.cluster.hierarchy pag-angkat ng linkage, dendrogram pag-angkat ng matplot.pyplot bilang plt #Sample data = np.array([1, 2], 3, 4], 5, 6], 8, 8], [9, 10]]) # Performing messaging cluever='sle-se Programp(`wlt) `wplt(`wpt)

Mga Gamit ng Pag - aayos ng Hierarkikal

Ang hierarchical clustering ay ginagamit sa iba't ibang larangan tulad ng biyolohiya para sa gene expression analysis, marketing para sa customer segmentation, at analisis ng larawan para sa pagkilala ng bagay. Ang kakayahan nito na isiwalat ang data structures sa multiple levels ay gumagawa rito na isang maraming gamit na kasangkapan.