在scipy中，层次聚类中使用的两个不同的距离函数有什么意义？
In scipy, what's the point of the two different distance functions used in hierarchical clustering?
我可以将一个距离函数传递给 pdist，用于创建提供给 linkage 的距离矩阵。我可以将第二个距离函数作为度量传递给 linkage。
为什么有两种可能的距离函数？
如果它们不同，它们是如何使用的？例如，链接是否使用距离矩阵中的距离进行初始迭代，即查看是否应将任何两个原始观察值组合成一个簇，然后使用度量函数进行进一步组合，即两个簇或一个簇有原始观察？
只用过一个距离函数。
如果将一维压缩距离矩阵（即 pdist 的输出）传递给 linkage，则 linkage 将忽略其 metric 参数。 （请参阅 source code here，其中 scipy 调用相关的底层 Cython 链接函数，而无需使用 metric 参数。）
另一方面，如果您传入二维矩阵，linkage 会将此矩阵视为观察值并使用 metric 参数为您调用此矩阵的 pdist作为距离函数。 （参见 source code here。）
参数'method'用于通过层次聚类过程来衡量聚类之间的相似性。参数'metric'用于测量数据集中两个对象之间的距离。
'metric' 与数据的性质密切相关（例如，您可能希望对具有相同特征数量的对象使用 'euclidean' 距离，或者对时间序列使用动态时间扭曲具有不同的持续时间）。
关键是有两种使用联动功能的方法。第一个参数是y，它可以是数据本身，也可以是之前给定度量产生的距离矩阵。
如果您选择为 'linkage' 提供距离矩阵，那么您将不需要 'metric' 参数，因为您已经计算了所有对象之间的所有距离。
我可以将一个距离函数传递给 pdist，用于创建提供给 linkage 的距离矩阵。我可以将第二个距离函数作为度量传递给 linkage。
为什么有两种可能的距离函数？
如果它们不同，它们是如何使用的？例如，链接是否使用距离矩阵中的距离进行初始迭代，即查看是否应将任何两个原始观察值组合成一个簇，然后使用度量函数进行进一步组合，即两个簇或一个簇有原始观察？
只用过一个距离函数。
如果将一维压缩距离矩阵（即 pdist 的输出）传递给 linkage，则 linkage 将忽略其 metric 参数。 （请参阅 source code here，其中 scipy 调用相关的底层 Cython 链接函数，而无需使用 metric 参数。）
另一方面，如果您传入二维矩阵，linkage 会将此矩阵视为观察值并使用 metric 参数为您调用此矩阵的 pdist作为距离函数。 （参见 source code here。）
参数'method'用于通过层次聚类过程来衡量聚类之间的相似性。参数'metric'用于测量数据集中两个对象之间的距离。
'metric' 与数据的性质密切相关（例如，您可能希望对具有相同特征数量的对象使用 'euclidean' 距离，或者对时间序列使用动态时间扭曲具有不同的持续时间）。
关键是有两种使用联动功能的方法。第一个参数是y，它可以是数据本身，也可以是之前给定度量产生的距离矩阵。
如果您选择为 'linkage' 提供距离矩阵，那么您将不需要 'metric' 参数，因为您已经计算了所有对象之间的所有距离。