02·Hierarchical clustering

Wprowadzenie

Hierarchical clustering buduje drzewo podobieństwa (dendrogram) zamiast pojedynczego płaskiego podziału. W odróżnieniu od k-means nie wymaga z góry zadanej liczby skupień — wybierasz ją po obejrzeniu drzewa, tnąc je na żądanej wysokości. W tej lekcji rozdzielisz podejście aglomeracyjne (bottom-up) od dzielącego (top-down), porównasz cztery linkage criteria (single, complete, average, Ward), zrozumiesz dlaczego ich koszt to O(n² log n) lub O(n³) i kiedy mimo to są lepsze niż k-means — głównie gdy struktura danych jest naturalnie zagnieżdżona.