分层聚类方法通过将数据分组到聚类树中来工作。分层聚类首先将每个数据点视为一个单独的聚类。然后，它重复执行后续步骤：
- 确定可以最接近的 2 个集群，以及
- 合并 2 个最大的可比较集群。我们需要继续这些步骤，直到所有集群合并在一起。
在分层聚类中，目的是生成嵌套聚类的分层系列。称为树状图的图(树状图是一种树状图，用于统计合并或拆分的序列)以图形方式表示此层次结构，并且是一个倒置的树，用于描述因子合并(自下而上视图)或集群断开的顺序上(自上而下的视图)。
生成层次聚类的基本方法是：
1. 凝聚：
最初将每个数据点视为一个单独的集群，并在每一步合并最近的集群对。 (这是一种自下而上的方法)。首先，每个数据集都被视为单个实体或集群。在每次迭代中，簇与不同的簇合并，直到形成一个簇。
凝聚层次聚类的算法是：
- 计算一个集群与所有其他集群的相似度(计算邻近矩阵)
- 将每个数据点视为一个单独的集群
- 合并高度相似或彼此接近的集群。
- 重新计算每个集群的邻近矩阵
- 重复步骤 3 和 4，直到只剩下一个集群。
让我们使用树状图查看该算法的图形表示。
笔记：
这只是实际算法如何工作的演示，没有在假设集群之间的所有接近度的情况下执行计算。
假设我们有六个数据点A, B, C, D, E, F 。
- 步骤1：
将每个字母表视为一个集群，并计算一个集群与所有其他集群的距离。 - 第2步：
在第二步中，可比较的集群合并在一起形成一个集群。假设集群 (B) 和集群 (C) 彼此非常相似，因此我们在第二步中将它们与集群 (D) 和 (E) 类似地合并，最后，我们得到集群
[(A), (BC), (DE), (F)] - 第 3 步：
我们根据算法重新计算接近度，并将最近的两个簇([(DE)，(F)])合并在一起形成新的簇为[(A)，(BC)，(DEF)] - 第四步：
重复同样的过程；集群 DEF 和 BC 具有可比性并合并在一起形成一个新集群。我们现在剩下簇 [(A), (BCDEF)]。 - 第 5 步：
最后，剩下的两个簇合并在一起形成一个簇[(ABCDEF)]。
2.分裂：
我们可以说分裂层次聚类恰好与凝聚层次聚类相反。在 Divisive Hierarchical clustering 中，我们将所有数据点视为一个集群，并且在每次迭代中，我们将数据点与不可比较的集群分开。最后，我们剩下 N 个集群。
