对于传统的k-means算法，需要手动指定分类的数目k和初始化质心，这两个值的指定对于聚类结果是有很大的影响的。

维基：https://en.wikipedia.org/wiki/Hierarchical_clustering

博客：https://blog.csdn.net/u012500237/article/details/65437525

 Hierarchical clustering-层次聚类

层次聚类是一种聚类分析的算法，构建层次结构，最后以树形结构表示。层次聚类的策略有两个：

Agglomeritive:聚合法，自下而上。  凝聚法指的是初始时将每个样本点当做一个类簇，所以原始类簇的大小等于样本点的个数，然后依据某种准则合并这些初始的类簇，直到达到某种条件或者达到设定的分类数目

Divisive:分裂法，自上而下.分裂法指的是初始时将所有的样本归为一个类簇，然后依据某种准则进行逐渐的分裂，直到达到某种条件或者达到设定的分类数目

哪些集合应该合并，聚类应该在何处进行分裂，需要通过一个标准来进行判定。

度量标准：metric,计算点与点之间的距离

常用的计算距离的公式：

linkage criteria:链接标准，用于判定两个集合之间的非相似度的函数

判断两个类的相似度：

SingleLinkage:取两个类中距离最近的两个样本的距离作为这两个集合的距离,最近两个样本之间的距离越小，这两个类之间的相似度就越大。

CompleteLinkage:两个集合中距离最远的两个点的距离作为两个集合的距离

AverageLinkage:把两个集合中的点两两的距离全部放在一起求一个平均值，相对也能得到合适一点的结果

分裂法

 分裂法指的是初始时将所有的样本归为一个类簇，然后依据某种准则进行逐渐的分裂，直到达到某种条件或者达到设定的分类数目。

    输入：样本集合D，聚类数目或者某个条件（一般是样本距离的阈值，这样就可不设置聚类数目）

    输出：聚类结果

    1.将样本集中的所有的样本归为一个类簇；

    repeat：

        2.在同一个类簇（计为c）中计算两两样本之间的距离，找出距离最远的两个样本a,b；

        3.将样本a，b分配到不同的类簇c1和c2中；

        4.计算原类簇（c）中剩余的其他样本点和a，b的距离，若是dis(a)<dis(b)，则将样本点归到c1中，否则归到c2中；

    util： 达到聚类的数目或者达到设定的条件

凝聚法

 凝聚法指的是初始时将每个样本点当做一个类簇，所以原始类簇的大小等于样本点的个数，然后依据某种准则合并这些初始的类簇，直到达到某种条件或者达到设定的分类数目。

 输入：样本集合D，聚类数目或者某个条件（一般是样本距离的阈值，这样就可不设置聚类数目）

 输出：聚类结果

      1.将样本集中的所有的样本点都当做一个独立的类簇；

       repeat：

            2.计算两两类簇之间的距离（后边会做介绍），找到距离最小的两个类簇c1和c2；

            3.合并类簇c1和c2为一个类簇；

       util： 达到聚类的数目或者达到设定的条件