Question

1. AgglomerativeClustering是scikit-learn提供的一种层次聚类模型。其原型为：

   
   xxxxxxxxxx
   class sklearn.cluster.AgglomerativeClustering(n_clusters=2, affinity='euclidean',
   memory=Memory(cachedir=None), connectivity=None, n_components=None,
   compute_full_tree='auto', linkage='ward', pooling_func=<function mean>)

   • n_clusters：一个整数，指定簇的数量。

   • connectivity：一个数组或者可调用对象或者为None，用于指定连接矩阵。它给出了每个样本的可连接样本。

   • affinity：一个字符串或者可调用对象，用于计算距离。可以为：'euclidean', 'l1', 'l2', 'manhattan', 'cosine', 'precomputed' 。

     如果linkage='ward'，则 'affinity必须是 'euclidean'

   • memory：用于缓存输出的结果，默认为不缓存。如果给定一个字符串，则表示缓存目录的路径。

   • n_components：将在scikit-learn v 0.18中移除

   • compute_full_tree：通常当已经训练了n_clusters之后，训练过程就停止。

     但是如果compute_full_tree=True，则会继续训练从而生成一颗完整的树。

   • linkage：一个字符串，用于指定链接算法。

     • 'ward'：采用方差恶化距离variance incress distance 。
     • 'complete'：全链接complete-linkage算法，采用 $ MathJax-Element-17 $ 。
     • 'average'：均链接average-linkage算法,采用 $ MathJax-Element-18 $ 。
     • 'single'：单链接single-linkage算法，采用 $ MathJax-Element-19 $ 。

   • pooling_func：即将被废弃的接口。

2. 属性：

   • labels_：一个形状为[n_samples,] 的数组，给出了每个样本的簇标记。
   • n_leaves_：一个整数，给出了分层树的叶结点数量。
   • n_components_：一个整数，给除了连接图中的连通分量的估计值。
   • children_：一个形状为[n_samples-1,2]数组，给出了每个非叶结点中的子节点数量。

3. 方法：

   • fit(X[, y])：训练模型。
   • fit_predict(X[, y])：训练模型并执行聚类，返回每个样本所属的簇标记。