第八章課后習題答案詳解1.已知樣本點間的相似度如下表所示，使用此數據進行最大距離和平均距離凝聚層次聚類，并繪制樹狀圖顯示結果。p1p2p3p4p5p6p1p2p3p4p5p61.000.370.320.450.210.550.371.000.640.470.980.730.320.641.000.430.840.350.450.470.431.000.760.480.210.980.840.761.000.830.550.730.350.480.831.00答：讀取數據：#導入相應的包library(ggdendro)library(ggplot2)#導入數據raw<-read.csv("C:\\Users\\HP\\Desktop\\Clustering.csv",encoding="UTF-8")head(raw)輸出：層次聚類并繪制樹狀圖：#使用函數hclust()實現層次聚類#使用dist()函數計算距離hc<-hclust(dist(raw[,]),method="average")#利用dendro函數進行聚類結果的轉化#提取數據df<-dendro_data(hc,type="rectangle")df1<-df$segmentsdf2<-df$labelshead(df1)輸出：#繪制樹狀圖ggplot()+geom_segment(data=df1,aes(x=x,y=y,xend=xend,yend=yend))+geom_text(data=df2,aes(x=x,y=y,label=label))輸出：上述是使用平均距離進行的凝聚層級聚類，如果用最大距離來計算，就是將“average”替換成“complete”，代碼如下：hc<-hclust(dist(raw[,]),method="complete")2.凝聚層次聚類和分裂層次聚類有什么區別?答：在給定n個對象的數據集后，可通過層次聚類對數據集進行層次分解，直到滿足某種收斂條件為止。層次聚類根據層次分解順序的不同可以分為：凝聚層次聚類和分裂層次聚類，它們的區別主要在于：凝聚層次聚類采用一種自下向上的策略，它首先將每個樣本點看成單獨的一類，然后找出距離最小的兩個類進行合并，不斷重復直到所有樣本都合并成一類，或者達到一個收斂，即滿足某個終止條件。分裂層次聚類與凝聚層次聚類相反，采用一種自頂向下的策略，它首先將所有樣本當作一類，然后找出距離最遠的兩個類進行分裂，不斷重復直到每個樣本自成一類，或者達到某個終止條件。3.凝聚層次聚類和分裂層次聚類對應算法流程包含哪幾步?答：（1）凝聚層次聚類算法流程：①定義每個觀測值（樣本點）為一類；②計算任意兩類之間的距離，度量樣本間的相似度；③合并距離最近（相似度最高）的兩個類；④重復步驟②和③，直到所有類合并為一類。（2）分裂層次聚類算法流程：①定義所有觀測值（樣本點）為一類；②計算任意兩樣本點之間的距離；③找出同一類中距離最遠的兩個樣本點a和b，分別作為兩個簇的中心；④若類中剩余的樣本點距離類中心a更近，將其分配到以a為中心的類中，否則分配到以b為中心的類中；⑤重復步驟③和④，直到每個觀測值為一類。層次聚類有哪些優缺點?答：（1）層次聚類優點①層次聚類中距離和相似度容易定義，算法相對簡單。②適用于任意形狀和任意屬性的數據集。③層次聚類不需要預先指定聚類數，能夠得到不同粒度上的多層次聚類結構。④可以使用樹形圖對聚類結果進行可視化，易于解釋和理解。⑤對樣本的輸入順序不敏感。（2）層次聚類缺點①算法時間復雜度較大。②過程具有不可逆性，一旦