Du kommer att använda kreditkortskunddata. Innan du klustrar datan bör du följa dessa steg:

1. Ladda in data: använd pandas för att ladda CSV-filen;

2. Hantera saknade värden: om nödvändigt, imputera eller ta bort rader med saknade data;

3. Feature scaling: applicera StandardScaler för att skala variablerna. Detta är viktigt eftersom hierarkisk klustring använder avståndsberäkningar;

4. Dimensionalitetsreduktion (PCA): använd principal component analysis (PCA) för att reducera datan till två dimensioner. Detta gör det enklare att visualisera klustren.

Tolkning av dendrogram

Börja med att analysera dendrogrammet för att avgöra ett lämpligt antal kluster. Leta efter stora vertikala avstånd som inte korsas av några utdragna horisontella linjer.

Därefter kan du plotta datapunkterna efter PCA och färglägga dem enligt klusteretiketterna som erhållits genom att skära dendrogrammet vid vald höjd.

Slutligen bör du undersöka egenskaperna hos de resulterande klustren. Det rekommenderas att titta på medelvärdena för de ursprungliga variablerna (före PCA) för varje kluster för att förstå hur klustren skiljer sig åt.

Slutsats

Hierarkisk klustring är en kraftfull teknik när du inte vill förbestämma antalet kluster eller när du behöver förstå de hierarkiska relationerna mellan datapunkter. Däremot kan det vara beräkningsmässigt krävande för mycket stora datamängder, och valet av rätt länkmetod samt det optimala antalet kluster kräver noggrann övervägning och innebär ofta en kombination av kvantitativa metoder och domänkunskap.