Kuten tavallista, käytät seuraavia kirjastoja:

• sklearn keinotekoisen datan luomiseen ja hierarkkisen klusteroinnin toteuttamiseen (AgglomerativeClustering);

• scipy dendrogrammin luomiseen ja käsittelyyn;

• matplotlib klustereiden ja dendrogrammin visualisointiin;

• numpy numeerisiin operaatioihin.

Keinotekoisen datan luominen

Voit käyttää make_blobs()-kirjaston scikit-learn-funktiota luodaksesi aineistoja, joissa on eri määrä klustereita ja vaihtelevia erottuvuuksia. Tämä auttaa havainnoimaan, miten hierarkkinen klusterointi toimii erilaisissa tilanteissa.

Yleinen algoritmi etenee seuraavasti:

1. Instanssoit AgglomerativeClustering-olion ja määrittelet linkitysmenetelmän sekä muut parametrit;

2. Sovitat mallin dataasi;

3. Voit poimia klusteritunnisteet, jos päätät tietyn klustereiden määrän;

4. Visualisoit klusterit (jos data on 2D- tai 3D-muodossa) käyttäen hajontakuvioita;

5. Käytät SciPyn linkage-funktiota luodaksesi linkitysmatriisin ja sitten dendrogram-funktiota dendrogrammin visualisointiin.

Voit myös kokeilla eri linkitysmenetelmiä (esim. single, complete, average, Ward's) ja tarkastella, miten ne vaikuttavat klusterointituloksiin ja dendrogrammin rakenteeseen.