---
title: "階層式分群（Hierarchical Clustering）"
slug: hierarchical-clustering
language: zh-TW
source: https://aiterms.tw/terms/hierarchical-clustering
updated_at: 2026-07-30
tags: [機器學習, 統計方法, 特徵工程, AI基礎]
ipas_term: false
---

# 階層式分群（Hierarchical Clustering）

階層式分群（Hierarchical Clustering）是一類無監督學習演算法，透過逐步合併最相似的群組（凝聚法）或分裂群組（分裂法）來建立樹狀結構的群組層次，不需預先指定群數。

## 完整說明

階層式分群（Hierarchical Clustering）是無監督學習中的聚類方法，其結果以樹狀圖（Dendrogram）呈現，完整記錄所有可能的群組合併或分裂歷程，讓使用者可在不同粒度下截取所需的群數。主要分為兩類：凝聚法（Agglomerative） 從每個樣本各自為一個群組開始，逐步合併最相似的兩個群組，直到所有樣本合為一群；分裂法（Divisive） 則從所有樣本在同一群組開始，逐步分裂直到每個樣本各自一群。凝聚法因計算效率較高而更為常用。群間距離的計算方式（連結準則，Linkage）包括：單連結（Single Linkage，最近鄰距離）、完全連結（Complete Linkage

## 常見問題

### 凝聚法的四種連結準則（Single、Complete、Average、Ward）在實際應用中如何選擇？

選擇連結準則應根據資料特性和分析目標。Ward 連結是最常用的通用起點，它最小化合併後的群組內方差，傾向產生大小均等的緊湊球形群組，適合大多數業務分群場景；但 Ward 必須使用歐氏距離，若資料使用其他距離量度（如相關係數）就無法使用。Complete 連結產生緊湊群組，對離群值敏感，適合需要明確群組邊界的場景。Single 連結能捕捉非球形的鏈狀結構，但在有雜訊的資料中容易產生「鏈狀效應」，生成不均衡的群組。Average 連結是 Single 和 Complete 的折衷，穩定性較好。實務建議：先用 Ward 連結試跑，視覺化 Dendrogram；若群組形狀明顯非球形，再嘗試 Single 連結。

### 如何從 Dendrogram 中決定最終的群數？有哪些量化方法？

決定群數有三種常見方法，通常搭配使用。（1）視覺化截斷：在 Dendrogram 中找垂直線最長（合併距離突然增大）的位置截斷，此處代表合併了本質上不相似的群組，截斷點上方的群組數即為建議群數；（2）輪廓係數（Silhouette Score）：對 k=2 至 k=10 各截取一次，計算每個群數下的輪廓係數（值域 -1 到 1，越大越好），選分數最高的 k 值；（3）領域知識：若業務上有先驗的群數預期（如目標有三個市場區隔），優先考慮業務邏輯。三種方法給出不同建議時，以業務可解釋性為最終仲裁標準：統計最優的群數若業務上無法解釋，通常沒有實用價值。

### 階層式分群在 iPAS AI 應用規劃師考試中的考察重點是什麼？

在 iPAS AI 應用規劃師中級考試中，階層式分群常與 k-Means 等其他聚類方法一起比較考察。主要考點包括：（1）凝聚法 vs. 分裂法的概念差異，以及凝聚法更常用的原因；（2）Dendrogram（樹狀圖）的讀法與截斷方式：給定一張 Dendrogram，判斷截斷為 2 群、3 群時的結果；（3）四種連結準則的特性比較，特別是 Ward 連結最小化群內方差的原理；（4）與 k-Means 的差異：不需預設群數、計算複雜度高、適合小規模資料、結果具確定性；（5）適用場景判斷：資料量小、需視覺化層次結構、探索性分析優先使用階層式分群。

---

來源：https://aiterms.tw/terms/hierarchical-clustering
快查頁：https://aiterms.tw/terms/hierarchical-clustering
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-hierarchical-clustering