第一步:计算欧氏距离。 0(X1,X2)=2,d(x1,X3)=250(×1,X4)=54d(×1,x5)=5 d(X2,X3)=1.5,d(X2,X4)=5,(X2X5)=529 d(X3X4)=3.5,d(X3,X5)=4.03 d(X4,X5)=2 按升序排列 d(X2,X3)=1.5,0(×1,X2)=2,d(X4xX5)=2,o(x1,X3)=25, d(X3,X4)=35,0(×3,X5)=4.03,0(X2,X4)=5,0(X1,X5)=5, d(X2X5)=529,0(X1,X4)=539
➢ 第一步：计算欧氏距离。 d(x1 ,x2 )=2, d(x1 ,x3 )=2.5 d(x1 ,x4 )=5.4 d(x1 ,x5 )=5 d(x2 ,x3 )=1.5, d(x2 ,x4 )=5, d(x2 ,x5 )=5.29 d(x3 ,x4 )=3.5, d(x3 ,x5 )=4.03 d(x4 ,x5 )=2 按升序排列： d(x2 ,x3 )=1.5,d(x1 ,x2 )=2, d(x4 ,x5 )=2, d(x1 ,x3 )=2.5, d(x3 ,x4 )=3.5,d(x3 ,x5 )=4.03,d(x2 ,x4 )=5,d(x1 ,x5 )=5, d(x2 ,x5 )=5.29, d(x1 ,x4 )=5.39
第二步:单链接算法。 按最小距离合并×2和x3,生成新类 ×2X3}其距离为15。X4和x合并成 新类{4,×5},其距离为2。同时, 类伙2X3}和区1间的最小距离也是2.0 将其合并成一个新类1X2Xx3},其距 离为2。最后,两个类1x2x3和{x4,X5} 可以以更高的级别进行合并,其最小 单链接距离为3.5。树状图如下
➢第二步：单链接算法。 按最小距离合并x2和x3，生成新类 {x2 ,x3 }，其距离为1.5。 x4和x5合并成 一个新类{x4 ,x5 }，其距离为2。同时， 类{x2 ,x3 }和{x1 }间的最小距离也是2.0， 将其合并成一个新类{x1,x2 ,x3 } ，其距 离为2。最后，两个类{x1,x2 ,x3 }和{x4 ,x5 } 可以以更高的级别进行合并，其最小 单链接距离为3.5。树状图如下：
1.5202.2. 3.5 x4 图67用单链接方法对图6-6中的数据集聚类后的树状图 第三步:选择相似度阈值s=2.2,从图可以 出单链接算法最终生成类:{1,X2.X3}和
➢ 第三步：选择相似度阈值s=2.2，从图可以 得出单链接算法最终生成类： {x1 ,x2 ,x3 }和 {x4 ,x5 }
第二步:全链接算法。 按最小距离合并×2和x3,生成新类 x2Xx3},其距离为1.5。X4和x合并成 新类{X4,X5},其距离为2。而类 ×2X3和{x间的最大距离是25,将其 合并成一个新类x1X2.x3}。最后,两 个类1x2x3和4,X5可以以更高的级 别进行合并,其最大单链接距离为5.4。 树状图如下
➢第二步：全链接算法。 按最小距离合并x2和x3，生成新类 {x2 ,x3 }，其距离为1.5。 x4和x5合并成 一个新类{x4 ,x5 }，其距离为2。而类 {x2 ,x3 }和{x1 }间的最大距离是2.5，将其 合并成一个新类{x1,x2 ,x3 } 。最后，两 个类{x1,x2 ,x3 }和{x4 ,x5 }可以以更高的级 别进行合并，其最大单链接距离为5.4。 树状图如下：