El algoritmo puede comenzar con cada punto en su propio clúster y fusionarlos sucesivamente (agrupamiento aglomerativo), o comenzar con todos los puntos en un solo clúster y dividirlos recursivamente en clústeres más pequeños (agrupamiento divisivo).

Dado que el agrupamiento aglomerativo es el enfoque más utilizado, nos centraremos en él.

El tipo más común de agrupamiento jerárquico es el enfoque de abajo hacia arriba. El algoritmo es el siguiente:

1. Inicialización: cada punto de datos se trata como un clúster individual;

2. Calcular la matriz de proximidad: se calcula la distancia entre cada par de clústeres;

3. Fusionar clústeres: los dos clústeres más cercanos se fusionan en un solo clúster;

4. Actualizar la matriz de proximidad: se recalculan las distancias entre el nuevo clúster y todos los clústeres restantes;

5. Repetir: los pasos 3 y 4 se repiten hasta que todos los puntos de datos se fusionan en un solo clúster.

Tipos de enlace

La proximidad entre dos clústeres se define mediante el tipo de enlace. Los métodos de enlace más comunes utilizados en el agrupamiento jerárquico son:

• Enlace simple: la distancia entre los dos puntos más cercanos en los dos clústeres;

• Enlace completo: la distancia entre los dos puntos más alejados en los dos clústeres;

• Enlace promedio: la distancia promedio entre todos los pares de puntos en los dos clústeres;

• Método de Ward: minimiza el aumento de la varianza total dentro del clúster al fusionar dos clústeres.

La elección del método de enlace puede afectar la forma y estructura de los clústeres resultantes. La experimentación y el conocimiento del dominio suelen ser útiles para seleccionar el mejor método para sus datos.

Dendrograma

Los resultados del agrupamiento jerárquico suelen visualizarse mediante un dendrograma.