# 层次聚类AGNES详解

### 二.算法流程

（1） 对

（2） 对

（3） 设置当前聚类簇个数，当时，循环执行以下过程

（3.1）找出距离最近的两个聚类簇）；
（3.2）合并
（3.3） 对

（3.4）删除距离矩阵的第行与第列（注意，矩阵的行列都要减1）
（3.5）对

（3.6）

### 三.代码实现

``````"""

"""

import numpy as np

# 定义默认的距离函数
def euclidean_average_dist(Gi, Gj):
return np.sum(np.power(np.mean(Gi, axis=0) - np.mean(Gj, axis=0), 2))

class AGNES(object):
def __init__(self, k=3, dist_method=None):
"""
:param k: 聚类数量
:param dist_method: 距离函数定义
"""
self.k = k
self.dist_method = dist_method
if self.dist_method is None:
self.dist_method = euclidean_average_dist
self.G = None
self.cluster_center = {}  # 记录聚类中心点

def fit(self, X):
m, _ = X.shape
# 初始化簇
G = {}
for row in range(m):
G[row] = X[[row]]
# 计算簇间距离
M = np.zeros(shape=(m, m))
for i in range(0, m):
for j in range(0, m):
M[i, j] = self.dist_method(G[i], G[j])
M[j, i] = M[i, j]
q = m
while q > self.k:
# 寻找最近的簇
min_dist = np.infty
i_ = None
j_ = None
for i in range(0, q - 1):
for j in range(i + 1, q):
if M[i, j] < min_dist:
i_ = i
j_ = j
min_dist = M[i, j]
# 合并
G[i_] = np.concatenate([G[i_], G[j_]])
# 重编号
for j in range(j_ + 1, q):
G[j - 1] = G[j]
# 删除G[q]
del G[q-1]
# 删除
M = np.delete(M, j_, axis=0)
M = np.delete(M, j_, axis=1)
# 更新距离
for j in range(q - 1):
M[i_, j] = self.dist_method(G[i_], G[j])
M[j, i_] = M[i_, j]
# 更新q
q = q - 1
#         self.G = G
for idx in G:
self.cluster_center[idx] = np.mean(G[idx], axis=0)

def predict(self, X):
rst = []
rows, _ = X.shape
for row in range(rows):
# vec = X[[row]]
vec = X[row]
min_dist = np.infty
bst_label = None
for idx in self.cluster_center:
# dist = self.dist_method(vec, self.G[idx]) < min_dist
dist = np.sum(np.power(vec - self.cluster_center[idx], 2))
if dist < min_dist:
bst_label = idx
min_dist = dist
rst.append(bst_label)
return np.asarray(rst)
``````
``````import os
os.chdir('../')
from ml_models import utils
from sklearn.datasets.samples_generator import make_blobs
X, y = make_blobs(n_samples=400, centers=4, cluster_std=0.85, random_state=0)
X = X[:, ::-1]
``````
``````#训练
agnes = AGNES(k=4)
agnes.fit(X)
``````
``````utils.plot_decision_function(X, y, agnes)
utils.plt.show()
``````

• 序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 77,640评论 1 169
• 序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 26,109评论 1 142
• 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 29,070评论 0 100
• 文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
开封第一讲书人阅读 16,169评论 0 86
• 正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 21,395评论 0 144
• 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 17,620评论 0 87
• 那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
沈念sama阅读 10,426评论 2 161
• 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 9,829评论 0 77
• 想象着我的养父在大火中拼命挣扎，窒息，最后皮肤化为焦炭。我心中就已经是抑制不住地欢快，这就叫做以其人之道，还治其人...
爱写小说的胖达阅读 8,349评论 5 111
• 序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 11,609评论 0 128
• 正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
茶点故事阅读 10,379评论 1 124
• 正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 11,185评论 0 127
• 白月光回国，霸总把我这个替身辞退。还一脸阴沉的警告我。[不要出现在思思面前， 不然我有一百种方法让你生不如死。]我...
爱写小说的胖达阅读 6,045评论 0 17
• 序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 8,842评论 2 114
• 正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 11,917评论 3 121
• 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 7,691评论 0 3
• 文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
开封第一讲书人阅读 7,903评论 0 76
• 我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
沈念sama阅读 12,353评论 2 132
• 正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 13,030评论 2 130