matlab中的linkage和cluster函数
Linkage：
Agglomerative hierarchical cluster tree（凝聚成层次聚类树）
语法：
解释：
Z=linkage(x)，返回Z，是⼀个X矩阵中⾏的分层聚类树（⽤最短距离算法⽣成具有层次结构的聚类树）。输⼊的X为pdist函数输出的距离向量矩阵（pdist函数参考上篇⽂章）
Z=linkage(x,method)，使⽤指定的method创建树
Z=linkage(x,method,metric)利⽤度量来计算
Z=linkage(x,method,pdist_input)将参数传递给pdist函数。。。。
Z=linkage(x,method,metric,’savememory’,value)当value为true时使⽤⼀种内存保存算法，当value为false时使⽤标准算法。
Z=linkage(Y),⽤距离矩阵Y表⽰，Y可以是由pdist函数计算出的，也可以是⼀个更⼀般的矩阵
Z=linkage（Y,method）⽤指定的method创建树，method描述了如何测量集之间的距离。
Single：最短距离（缺省）
Complete：最⼤距离
Average：平均距离
Centroid：重⼼距离
Ward：离差平⽅和
输出Z:
Z是⼀个（m-1）-乘3矩阵，m是原始数据中⾏的数量。Z的第1和2列包含成对的集索引，以形成⼀个⼆叉树。叶节点从1到m.叶节点是由所有更⾼的集组成的单例集。每⼀个新形成的集，对应于第Z⾏（I，：），被分配索引m+I。Z（I，1:2）包含构成集m+I的两个组件集的索引。有m-1更⾼的集，对应于集树的内部节点。Z（I，3）包含在第Z⾏（I：：）中合并的两个簇之间的链接距离。
例如，假设有30个初始节点，第12步集5和集7合并。假设它们的距离是1。5。然后Z（12，：）是5 7 1。5。新形成的集将有索引12+30=42。如果集42出现在后⾯⼀⾏中，则意味着第12步中创建的集将被合并到更⼤的集中。
⽐如:
根据结果画出⼆叉树如下：
第⼀列，第⼆列为类的表⽰，叶⼦节点为原始数据的⾏数，1,2之间最短距离为2.2061，聚类为6（原始⾏数累加所得）
Cluters:
Construct agglomerative clusters from linkages(从聚类树结构中构建聚类)
语法：
解释：
T=cluster(Z,’cutoff’,c): 从聚集的层次化集树Z中构造集。Z是⼀个⼤⼩的矩阵（m-1）-乘3(由linkage函数⽣成)，m是原始数据中⾏的数量。c是将Z切割成集的阈值。当⼀个节点及其所有⼦节点的值都⼩于c时，集就会形成，所有节点在节点或下⾯的所有叶⼦都被分组到⼀个集中。t是⼀个⼤⼩为m的向量，包含每个观察的集分配。如果c是⼀个向量，那么T是⼀个集分配的矩阵，每个截⽌值都有⼀个列T=cluster(Z,’cutoff’,c,’depth’,d): 通过观察每个节点下⾯的深度d来评估不⼀致的值。默认的深度是2。
T=cluster(Z,’cutoff’,c,’criterion’,criterion): 使⽤指定的标准来形成集，其中标准是字符串“inconsistent”（默认）或“depth”。“depth”标准使⽤在节点上合并的两个⼦节点之间的距离来测量节点⾼度。在⼀个节点的⾼度⼩于c的节点的所有叶节点都被分组到⼀个集中。
T=cluster(Z,’maxclust’,n): ⽤“depth”准则构造⼀个最⼤的n个集。集到最⼩的⾼度，通过树的⽔平切割留下n个或更少的集。
如果n是⼀个向量，那么T是⼀个集分配矩阵，每个最⼤值是⼀个列。
字符串函数注册登录如;
从上边的聚类树和结果的⽐较中可以得出，当分为5类时，每个节点单独是⼀类，聚成4类时，标号1和标号2聚成第4，其他单独为⼀类；当聚成3类时，更具聚类树，原始数据的标号3和标号5⼜聚成⼀类，⼀次类推。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。