通过在每个节点下方四个深度处评估不一致的值，对随机生成的数据执行聚集聚类。

随机生成样本数据。

rng(“默认”);%为了再现性2 X = [(randn(20日)* 0.75)+ 1;2 (randn(20日)* 0.25)1);

创建数据的散点图。

散射(X (: 1), (2):,);标题(“随机生成的数据”);

使用病房联动法。

Z =连杆(X,“病房”);

创建数据的树状图。

树状图（Z）

散点图和树状图似乎显示了数据中的两个聚类。

使用3作为不一致系数的阈值对数据进行聚类，并在每个节点下方寻找深度为4的节点。绘制结果集群。

T=簇（Z，“切断”3.“深度”gscatter（X（：，1），X（：，2），T）

集群在数据中标识两个集群。

在服务器上执行聚合群集鱼腥草数据集使用“距离”作为定义集群的标准。可视化数据的集群分配。

加载鱼腥草数据集。

负载鱼腥草

使用物种作为分组变量，可视化数据的二维散点图。为三个不同物种指定标记颜色和标记符号。

gscatter(量(:1)量(:,2),物种,“rgb”,‘*’)头衔(“Fisher's虹膜数据的实际聚类”)

使用“平均”方法和步骤“切比切夫”米制的

Z =连杆(量,“平均”,“切比切夫”);

使用1.5的阈值对数据进行群集“距离”标准

T=簇（Z，“切断”,1.5,“标准”,“距离”)

T=150×12 2 2 2 2 2 2 2 2 2 ⋮

T包含与群集分配相对应的数字。找到需要的类的数量集群识别。

长度（唯一（T））

ans = 3

集群为的指定值标识三个类切断和标准．

使用。可视化聚类结果的二维散点图T作为分组变量。为三个不同的类指定标记颜色和标记符号。

gscatter（meas（：，1），meas（：，2），T，“rgb”,‘*’)头衔(Fisher's Iris数据的聚类分配)

聚类正确地识别了setosa类（第2类）属于不同的聚类，但对VersionColor类和virginica类（分别为第1类和第3类）的区分较差。请注意，散点图使用中包含的数字标记类T．

在。中找到最多三个群集鱼腥草数据集和比较花的聚类分配到他们已知的分类。

加载示例数据。

负载鱼腥草

使用“平均”方法和步骤“切比切夫”米制的

Z =连杆(量,“平均”,“切比切夫”);

在数据中最多查找三个群集。

T=簇（Z，“maxclust”,3);

创建一个树状图Z．要查看这三个集群，请使用“ColorThreshold”在倒数第三和倒数第二连杆之间的中间切断。

cutoff =中位数([Z(end-2,3) Z(end-1,3)]);系统树图(Z,“ColorThreshold”,截止)

显示文件的最后两行Z来看看这三个集群是如何组合成一个集群的。联动将第293个（蓝色）簇与第297个（红色）簇组合，形成具有以下链接的第298个簇：1.7583．联动然后将第296(绿色)簇与第298簇合并。

lastTwo=Z（end-1:end，：）

最后两个=2×3293.0000 297.0000 1.7583 296.0000 298.0000 3.4445

查看集群分配如何对应于这三个物种。例如，其中一个集群包含50第二种和的花40第三种的花。

交叉表（T，物种）

ans=3×30 0 10 0 50 40 50 0 0

随机生成样本数据20,000个观察。

rng(“默认”)%为了再现性X=兰特（20000,3）；

使用病房联动法。在这种情况下“保存内存”选择的聚类数据函数设置为“开”默认情况下。通常，为指定最佳值“保存内存”基于X和可用内存。

Z =连杆(X,“病房”);

将数据最多分为四组，并绘制结果。

c=簇（Z，“Maxclust”,4); 散射体3（X（：，1），X（：，2），X（：，3），10，c）

集群标识数据中的四个组。