聚類就是按照某個特定標準把乙個資料集分割成不同的類或簇，最後的結果是希望同類之間的差異性盡可能小，不同類之間的差異性盡可能大。不同的類具有能夠表達異於其他類的指標，這樣針對不同的類，後續就能採取不一樣的處理手段。聚類的應用場景的比較多，比如建立客戶畫像、商品聚類、離群值檢驗等等；與分類演算法不一樣，聚類屬於非監督學習演算法，其演算法型別也很多，系統聚類是相對其他較簡單的一種了，下面就了解其大概：
（一）系統聚類也稱為層次聚類，因為其結果會呈現顯著的層次結構，通常分為自底向上和自頂向下，兩種方法的原理是相同的，區別在於計算的方向是相反的。
（二）聚類的方法我們知道之後，接下來就是關鍵問題定義距離。在聚類時常見的距離定義方法有絕對值距離、歐式距離、閔可夫距離、切比雪夫距離等等，最常用的就是歐式距離（這個之前在說近鄰演算法的有介紹過）
（三）距離定義的問題解決之後，就輪到怎麼樣確定兩個類之間的距離是多少，通常確定的方法有最短距離法、最長距離法、中間距離法、類平均法、重心法和離差平方法。
在r語言中，hclust函式能夠實現系統聚類，輸入項為距離矩陣（可以由dist函式計算所得），設定method可實現不同演算法：
我們還是以iris資料集為例，簡單說一下我們在r語言中如何實現系統聚類：
#最長距離法
dt = dist(iris[,1:3])
clr = hclust(dt)
# 繪製系譜圖
plot(clr, hang = -1)
#具體的分類明細/3個類別
系譜圖
將資料集劃分為3個類別
聚類演算法 層次聚類演算法
層次聚類演算法 hierarchical clustering method 又稱為系統聚類法 分級聚類法。層次聚類演算法又分為兩種形式 凝聚層次聚類 首先將每個物件作為乙個簇，然後合併這些原子簇為越來越大的簇，直到某個終結條件被滿足。層次聚類 首先將所有物件置於乙個簇中，然後逐漸細分為越來越小的簇...
聚類之層次聚類 基於劃分的聚類（
目錄 一層次聚類 層次聚類的原理及分類 層次聚類的流程 層次聚類的優缺點 二劃分聚類法k means kmeans演算法的原理 k均值的優缺點及分類 k means與dbscan的區別 k means注意問題 三基於密度的聚類 dbscan的概念 簇的生成原理及過程 根據資料點的密度分為三類點 db...
k means聚類，密度聚類，層次聚類優缺點
k means 優點 1，簡單，易於理解和實現 2，時間複雜度低 缺點 1，需要對均值給出定義,2，需要指定要聚類的數目 3，一些過大的異常值會帶來很大影響 4，演算法對初始選值敏感 5，適合球形聚類 層次聚類 優點 1，距離和規則的相似度容易定義，限制少 2，不需要預先制定聚類數 3，可以發現類的...