Meta tags:
description=Hierarchisches Clustering in Python mit scikit-learn und SciPy: Linkage-Methoden, Dendrogramme und wann es K-Means vorzuziehen ist.;

Headings (most frequently used words):

clustering, hierarchisches, vs, linkage, methoden, mit, das, dendrogramm, was, ist, agglomeratives, divisives, wie, der, algorithmus, funktioniert, feature, skalierung, vor, dem, scikit, learn, implementieren, dendrogramme, scipy, vergleichen, means, häufige, fehler, fazit, wann, einsetzen, lesen, schneiden, um, labels, zuzuweisen,

Text of the page (most frequently used words):
python (58), #cluster (44), und (31), clustering (31), die (31), linkage (30), der (24), #hierarchisches (21), plt (20), matplotlib (18), sie (18), import (18), das (17), mit (16), lernen (15), ist (14), labels (14), wird (13), dendrogramm (13), auf (13), von (13), x_scaled (13), from (13), mysql (13), methoden (12), scipy (12), standardscaler (12), mongodb (12), dem (11), nicht (11), ward (11), sklearn (11), einem (11), für (10), means (10), oder (10), anzahl (10), scaler (10), wie (9), werden (9), bei (9), abstand (9), kopieren (9), make_blobs (9), zwischen (9), algorithmus (8), den (8), clustern (8), listen (8), html (7), scikit (7), ein (7), zwei (7), verwenden (7), strings (7), elemente (7), alle (6), learn (6), tutorial (6), als (6), dendrogram (6), average (6), method (6), agglomerativeclustering (6), erstellen (6), string (6), w3docs (5), tools (5), feature (5), vor (5), agglomeratives (5), regression (5), dass (5), sind (5), wenn (5), nach (5), complete (5), single (5), fit_transform (5), preprocessing (5), punkt (5), schritte (5), tuples (5), formatter (5), color (5), json (4), generator (4), dendrogramme (4), skalierung (4), was (4), daten (4), scatter (4), große (4), datensätze (4), aus (4), eines (4), random_state (4), cluster_std (4), centers (4), 150 (4), n_samples (4), pyplot (4), datasets (4), methode (4), fcluster (4), the (4), baum (4), einer (4), linie (4), datenpunkte (4), des (4), schritt (4), beliebigen (4), dateien (4), entfernen (4), erste (4), dictionaries (4), set (4), listenelemente (4), durchlaufen (4), code (3), encoder (3), editor (3), quizze (3), übungen (3), php (3), javascript (3), css (3), funktioniert (3), features (3), erstellt (3), dann (3), geschnitten (3), sehr (3), ids (3), nur (3), ohne (3), merkmal (3), zahlen (3), skalieren (3), millionen (3), zeilen (3), zeigt (3), formen (3), ausführen (3), wählen (3), show (3), tight_layout (3), fit_predict (3), methods (3), for (3), numpy (3), datensatz (3), print (3), hierarchy (3), schneiden (3), diese (3), repräsentieren (3), zum (3), cluster_id (3), mask (3), abstandsmatrix (3), ihre (3), allen (3), zusammenführen (3), eine (3), variablen (3), sets (3), hinzufügen (3), zugreifen (3), italiano (2), português (2), español (2), français (2), русский (2), deutsch (2), english (2), beautifier (2), diff (2), password (2), java (2), git (2), bücher (2), snippets (2), fazit (2), häufige (2), fehler (2), vergleichen (2), implementieren (2), divisives (2), this (2), page (2), logistische (2), konfusionsmatrix (2), visualisieren (2), plot (2), mehr (2), scale (2), kapitel (2), erfordert (2), vorab (2), gewählt (2), vollständige (2), einmal (2), kann (2), jeder (2), standardwahl (2), verglichen (2), behandeln (2), 000 (2), scipys (2), zusammenführungen (2), großen (2), gemessen (2), erzeugt (2), kennen (2), zusammenführungshistorie (2), voraus (2), muss (2), angegeben (2), n_clusters (2), axes (2), zip (2), figsize (2), erheblich (2), gegensatz (2), unique (2), clusters (2), matrix (2), höhe (2), dieses (2), einzelne (2), blätter (2), lesen (2), ylabel (2), xlabel (2), title (2), plotten (2), indem (2), scaled (2), label (2), colors (2), passt (2), modell (2), gibt (2), einzigen (2), jeden (2), csv (2), ausgeführt (2), mittelwert (2), häufigsten (2), chaining (2), kompakte (2), ergebnis (2), bis (2), aktualisieren (2), neuen (2), seite (2), verwendet (2), beginnt (2), mehrere (2), wann (2), zusammengeführt (2), machine (2), learning (2), and (2), handling (2), klassen (2), limit (2), update (2), drop (2), collection (2), delete (2), insert (2), datenbank (2), grid (2), einführung (2), schleifen (2), verbinden (2), ändern (2), hash (2), 2026, rechte, vorbehalten, entwickler, gemacht, sprache, datenschutzrichtlinie, kontakt, über, uns, unternehmen, probier, üben, kostenlose, tutorials, beispiele, web, seit, 2014, next, previous, yes, helpful, mehrdimensionale, zur, wissenschaftlichen, bibliothek, flache, alternative, warum, standardisiert, verwandte, flexibler, interpretierbarer, ebene, vorverarbeitung, sicherste, bevorzugen, leistungsgründen, willkürliche, durchläufe, inhalt, abgleichen, nummer, stabil, blättern, unleserlich, letzten, anzuzeigen, truncate_mode, lastp, datensätzen, interpretieren, euklidischem, gültig, andere, abstandsmetriken, kosinus, manhattan, übergeben, explizit, metric, euklidischen, abständen, dominiert, tausenden, einkommen, einstelligen, altersfreigabe, irreführende, explorative, analysen, kleinerer, wechseln, dbscan, haben, bereits, schwerpunkte, leicht, interpretierbar, interpretierbarkeit, setzt, kugelförmige, flexibel, besonders, hängt, zufälligen, initialisierung, vollständig, deterministisch, determinismus, skaliert, speicher, probleme, skalierbarkeit, prüfen, comparison, suptitle, set_yticks, set_xticks, capitalize, set_title, set1, cmap, subplots, fig, verändert, größen, hier, vier, demselben, können, beachten, beginnen, indizierten, indiziert, bincount, sizes, indexed, maxclust, criterion, cut, tree, get, exactly, nachdem, wurde, gewünschten, zuzuweisen, suchen, längsten, vertikalen, horizontalen, gekreuzt, lücke, deutet, natürlichste, hin, bestimmten, ergibt, unterhalb, schnitts, entspricht, zusammengeführten, horizontale, linien, unten, merge, distance, sample, index, leaf_font_size, leaf_rotation, figure, build, use, smaller, dataset, readable, markanteste, ausgabe, hierarchischen, clusterings, ermöglicht, ihnen, visuell, verschiedenen, höhen, modul, bietet, sowohl, aufbau, baums, auch, legend, agglomerative, range, green, blue, red, aufruf, datenpunkt, zurück, anpassen, einen, reproduzierbaren, synthetischen, sodass, beispiel, datei, y_true, points, natural, generieren, klasse, weist, kein, nächsten, abschnitt, gezeigt, dafür, zentriert, jedes, einheitsvarianz, siehe, alternativen, robustscaler, minmaxscaler, abstandsberechnungen, basiert, dominieren, merkmale, numerischen, bereichen, verzerren, ergebnisse, immer, zuerst, verwendete, ausgangspunkt, langgestreckt, konvex, versuchen, erkennung, langgestreckter, unregelmäßig, geformter, neigt, minimaler, ausgewogener, kompromiss, mittlerer, paaren, vermeidet, maximaler, ungefähr, gleich, zunahme, gesamten, varianz, innerhalb, besten, geeignet, steuert, jedem, zusammenführungsschritt, berechnet, wahl, beeinflusst, form, qualität, endgültige, zusammenführungsschritte, kodiert, wiederholen, noch, übrig, bleibt, widerzuspiegeln, kleinsten, berechnen, paarweisen, abstände, eigenen, insgesamt, folgt, diesen, schritten, konzentriert, sich, meisten, praktiker, meinen, sagen, praxis, selten, rechenintensiv, punkten, teilt, rekursiv, größten, top, down, divisiv, genutzt, learns, damit, sein, eigener, führt, wiederholt, nächstgelegenen, zusammen, bottom, agglomerativ, funktionsweise, richtung, strategie, hauptstrategien, möglicherweise, kugelförmig, hierarchische, verarbeiten, globuläre, besser, interpretierbare, beziehungen, benötigen, klar, ihr, klein, mittelgroß, tausende, speicherbedarf, macht, ihn, unpraktisch, optionen, durchlauf, erkunden, möchten, einsetzen, festgelegt, anschließend, gewählten, abstandsschwellenwert, beliebige, erzeugen, baut, hierarchie, gruppen, datenpunkten, iterativ, basis, abstands, ähnlichkeits, maßes, aufgeteilt, dargestellt, baumartiges, diagramm, achse, unüberwachter, verschachtelter, gruppiert, erklärt, unterschied, agglomerativen, divisiven, ansätzen, implementiert, visualisiert, vorzuziehen, http, anfragen, pytest, pakete, virtuelle, umgebungen, tooling, best, practices, threading, asyncio, concurrency, random, sys, itertools, collections, ausnahmen, auslösen, error, standard, library, addieren, umkehren, duplikate, how, enums, abstrakte, kapselung, polymorphismus, dataclasses, static, classmethod, property, magic, advanced, oop, match, anweisung, enumerate, map, comprehensions, kontextmanager, rekursion, closures, generatoren, decorators, args, kwargs, type, hints, intermediate, sort, query, find, join, table, order, where, select, tabelle, einstieg, nearest, neighbors, auc, roc, kurve, cross, validation, bootstrap, aggregation, kategoriale, search, entscheidungsbaum, train, test, multiple, polynomiale, lineare, streudiagramm, normalverteilung, datenverteilung, perzentil, standardabweichung, median, modus, kreisdiagramme, histogramme, balken, subplot, beschriftungen, marker, plotting, django, pandas, modules, löschen, schreiben, dateiverarbeitung, file, formatierung, benutzereingabe, try, except, pip, regex, math, datumsangaben, module, scope, iteratoren, vererbung, objekte, arrays, lambda, funktionen, while, else, tupeln, gruppieren, operatoren, booleans, casting, datentypen, kommentare, syntax, variablennamen, tupel, entpacken, tuple, sortieren, slicen, home, ausgabevariablen, verschachtelte, modifizieren, list, comprehension, globale, format, escape, zeichen, dictionary, verketten, werte, zuweisen, aufrufen, anmelden, durchsuchen, formatters, url, reverse, sha256, md5, length, calculator, hsl, hex, mixer, converter, picker, general, kurse, vollständiger, leitfaden,

Text of the page (random words):
ere werte zuweisen elemente ändern listenelemente ändern strings verketten dictionaries kopieren listen kopieren dictionary methoden escape zeichen format strings globale variablen listen verbinden sets zusammenführen tuples verbinden list comprehension listen methoden dictionaries durchlaufen listen durchlaufen sets durchlaufen tuples durchlaufen strings modifizieren verschachtelte dictionaries ausgabevariablen python home python listen python sets python strings python tuples python variablen elemente entfernen listenelemente entfernen set elemente entfernen set methoden strings slicen listen sortieren string methoden tuple methoden tupel entpacken tuples aktualisieren variablennamen python einführung python erste schritte python syntax python kommentare python variablen python datentypen python zahlen python casting python strings python booleans python operatoren python listen python tupeln gruppieren python dictionaries python if else python while schleifen python for schleifen python funktionen python lambda python arrays python klassen objekte python vererbung python iteratoren python scope python module python datumsangaben python math python json python regex python pip python try except python benutzereingabe python string formatierung file handling python dateiverarbeitung python dateien lesen python dateien schreiben erstellen python dateien löschen python modules numpy tutorial pandas tutorial scipy tutorial django tutorial python matplotlib matplotlib einführung matplotlib erste schritte matplotlib pyplot matplotlib plotting matplotlib marker matplotlib linie matplotlib beschriftungen matplotlib grid matplotlib subplot matplotlib scatter matplotlib balken matplotlib histogramme matplotlib kreisdiagramme machine learning erste schritte mittelwert median modus standardabweichung perzentil datenverteilung normalverteilung von daten streudiagramm lineare regression polynomiale regression multiple regression skalierung train test entscheidungsbaum konfusionsmatrix hierarchisches clustering logistische regression grid search kategoriale daten k means bootstrap aggregation cross validation auc roc kurve k nearest neighbors python mysql mysql einstieg mysql datenbank erstellen mysql tabelle erstellen mysql insert mysql select mysql where mysql order by mysql delete mysql drop table mysql update mysql limit mysql join python mongodb mongodb erste schritte mongodb datenbank erstellen mongodb collection erstellen mongodb insert mongodb find mongodb query mongodb sort mongodb delete mongodb drop collection mongodb update mongodb limit intermediate python f strings type hints args kwargs decorators generatoren closures rekursion kontextmanager comprehensions enumerate zip map match anweisung advanced oop magic methods property static classmethod dataclasses polymorphismus kapselung abstrakte klassen enums python how to listen duplikate entfernen string umkehren zwei zahlen addieren error handling and the standard library ausnahmen auslösen collections itertools os sys random csv dateien concurrency in python asyncio threading python tooling and best practices virtuelle umgebungen pakete pytest http anfragen hierarchisches clustering hierarchisches clustering in python mit scikit learn und scipy linkage methoden dendrogramme und wann es k means vorzuziehen ist hierarchisches clustering ist ein unüberwachter machine learning algorithmus der datenpunkte in einem baum verschachtelter cluster gruppiert ohne dass die anzahl der cluster vorab angegeben werden muss diese seite erklärt wie der algorithmus funktioniert den unterschied zwischen agglomerativen und divisiven ansätzen wie eine linkage methode gewählt wird und wie hierarchisches clustering in python mit scikit learn und scipy implementiert und visualisiert wird was ist hierarchisches clustering hierarchisches clustering baut eine hierarchie von clustern auf indem gruppen von datenpunkten iterativ auf basis eines abstands oder ähnlichkeits maßes zusammengeführt oder aufgeteilt werden das ergebnis wird als dendrogramm dargestellt ein baumartiges diagramm bei dem die y achse den abstand zeigt bei dem cluster zusammengeführt werden und die blätter einzelne datenpunkte repräsentieren im gegensatz zu k means erfordert hierarchisches clustering nicht dass die anzahl der cluster vor dem ausführen des algorithmus festgelegt wird der algorithmus wird einmal ausgeführt und anschließend wird das dendrogramm an einem gewählten abstandsschwellenwert geschnitten um eine beliebige anzahl von clustern zu erzeugen wann hierarchisches clustering einsetzen verwenden sie hierarchisches clustering wenn sie die anzahl der cluster nicht im voraus kennen und mehrere optionen aus einem einzigen durchlauf erkunden möchten ihr datensatz klein bis mittelgroß ist tausende von zeilen nicht millionen der o n² speicherbedarf des algorithmus macht ihn für sehr große datensätze unpraktisch sie interpretierbare cluster beziehungen benötigen das dendrogramm zeigt die zusammenführungshistorie klar ihre cluster möglicherweise nicht kugelförmig sind hierarchische methoden mit complete oder average linkage verarbeiten nicht globuläre formen besser als k means agglomeratives vs divisives clustering es gibt zwei hauptstrategien strategie richtung funktionsweise agglomerativ bottom up beginnt damit dass jeder punkt sein eigener cluster ist und führt dann wiederholt die zwei nächstgelegenen cluster zusammen am häufigsten verwendet genutzt von scikit learns agglomerativeclustering und scipys linkage divisiv top down beginnt mit allen punkten in einem cluster und teilt dann rekursiv den größten cluster auf in der praxis selten verwendet rechenintensiv diese seite konzentriert sich auf agglomeratives clustering was die meisten praktiker meinen wenn sie hierarchisches clustering sagen wie der algorithmus funktioniert agglomeratives clustering folgt diesen schritten jeden der n datenpunkte als eigenen cluster behandeln insgesamt n cluster die abstandsmatrix berechnen die paarweisen abstände zwischen allen clustern die zwei cluster mit dem kleinsten abstand zu einem neuen cluster zusammenführen die abstandsmatrix aktualisieren um den neuen cluster widerzuspiegeln schritte 3 4 wiederholen bis nur noch ein cluster übrig bleibt das endgültige ergebnis ist ein dendrogramm das alle n 1 zusammenführungsschritte kodiert linkage methoden die linkage methode steuert wie der abstand zwischen zwei clustern bei jedem zusammenführungsschritt berechnet wird die wahl beeinflusst erheblich die form und qualität der cluster methode abstand zwischen clustern a und b am besten geeignet für ward zunahme der gesamten varianz innerhalb der cluster nach dem zusammenführen kompakte ungefähr gleich große cluster standardwahl complete maximaler abstand zwischen einem beliebigen punkt in a und einem beliebigen punkt in b kompakte cluster vermeidet chaining average mittlerer abstand zwischen allen paaren eines aus a eines aus b ausgewogener kompromiss zwischen single und complete single minimaler abstand zwischen einem beliebigen punkt in a und einem beliebigen punkt in b erkennung langgestreckter oder unregelmäßig geformter cluster neigt zum chaining ward linkage ist der am häufigsten verwendete ausgangspunkt wenn ihre cluster langgestreckt oder nicht konvex sind versuchen sie average oder single linkage feature skalierung vor dem clustering da hierarchisches clustering auf abstandsberechnungen basiert dominieren merkmale mit großen numerischen bereichen die abstandsmatrix und verzerren die ergebnisse skalieren sie ihre features immer zuerst from sklearn preprocessing import standardscaler scaler standardscaler x_scaled scaler fit_transform x kopieren standardscaler zentriert jedes merkmal auf mittelwert 0 und einheitsvarianz siehe das scale kapitel für alternativen wie minmaxscaler und robustscaler hierarchisches clustering mit scikit learn implementieren die klasse agglomerativeclustering in scikit learn passt das modell an und weist cluster labels in einem schritt zu sie erzeugt kein dendrogramm verwenden sie scipy im nächsten abschnitt gezeigt dafür schritt 1 daten generieren und skalieren from sklearn datasets import make_blobs from sklearn preprocessing import standardscaler 150 points in 3 natural clusters x y_true make_blobs n_samples 150 centers 3 cluster_std 0 6 random_state 42 scaler standardscaler x_scaled scaler fit_transform x kopieren make_blobs erstellt einen reproduzierbaren synthetischen datensatz sodass dieses beispiel ohne csv datei ausgeführt werden kann schritt 2 agglomeratives clustering anpassen from sklearn cluster import agglomerativeclustering hc agglomerativeclustering n_clusters 3 linkage ward labels hc fit_predict x_scaled print labels 10 e g 2 2 0 1 0 1 2 2 0 1 kopieren fit_predict passt das modell an und gibt in einem einzigen aufruf das cluster label 0 1 oder 2 für jeden datenpunkt zurück schritt 3 cluster visualisieren import matplotlib pyplot as plt colors red blue green for cluster_id in range 3 mask labels cluster_id plt scatter x_scaled mask 0 x_scaled mask 1 s 60 label f cluster cluster_id 1 plt title agglomerative clustering ward linkage k 3 plt xlabel feature 1 scaled plt ylabel feature 2 scaled plt legend plt tight_layout plt show kopieren dendrogramme mit scipy das dendrogramm ist die markanteste ausgabe des hierarchischen clusterings es ermöglicht ihnen die anzahl der cluster visuell zu wählen indem der baum bei verschiedenen höhen geschnitten wird das modul scipy cluster hierarchy von scipy bietet sowohl linkage zum aufbau des baums als auch dendrogram zum plotten dendrogramm erstellen und plotten from scipy cluster hierarchy import dendrogram linkage from sklearn datasets import make_blobs from sklearn preprocessing import standardscaler import matplotlib pyplot as plt use a smaller dataset so the dendrogram is readable x _ make_blobs n_samples 30 centers 3 cluster_std 0 6 random_state 42 scaler standardscaler x_scaled scaler fit_transform x build the linkage matrix z linkage x_scaled method ward plot plt figure figsize 12 5 dendrogram z leaf_rotation 90 leaf_font_size 8 plt title dendrogram ward linkage plt xlabel sample index plt ylabel merge distance plt tight_layout plt show kopieren das dendrogramm lesen blätter unten repräsentieren einzelne datenpunkte horizontale linien repräsentieren zusammenführungen die höhe einer linie entspricht dem abstand zwischen den zwei zusammengeführten clustern den baum schneiden bei einer bestimmten höhe ergibt die anzahl der cluster unterhalb dieses schnitts um k zu wählen suchen sie nach der längsten vertikalen linie die nicht von einer horizontalen linie gekreuzt wird diese lücke deutet auf die natürlichste anzahl von clustern hin das dendrogramm schneiden um labels zuzuweisen nachdem die linkage matrix z erstellt wurde verwenden sie fcluster um den baum bei einer gewünschten anzahl von clustern zu schneiden from scipy cluster hierarchy import linkage fcluster from sklearn datasets import make_blobs from sklearn preprocessing import standardscaler import numpy as np x _ make_blobs n_samples 150 centers 3 cluster_std 0 6 random_state 42 scaler standardscaler x_scaled scaler fit_transform x z linkage x_scaled method ward cut the tree to get exactly 3 clusters labels fcluster z t 3 criterion maxclust print unique cluster ids np unique labels 1 2 3 1 indexed print sizes np bincount labels labels 0 50 50 50 kopieren beachten sie dass fcluster labels 1 indiziert sind beginnen bei 1 im gegensatz zu den 0 indizierten labels von scikit learn linkage methoden vergleichen die linkage methode verändert die cluster formen und größen erheblich hier ist wie alle vier methoden auf demselben datensatz verglichen werden können from sklearn cluster import agglomerativeclustering from sklearn datasets import make_blobs from sklearn preprocessing import standardscaler import matplotlib pyplot as plt import numpy as np x _ make_blobs n_samples 150 centers 3 cluster_std 0 6 random_state 42 scaler standardscaler x_scaled scaler fit_transform x methods ward complete average single fig axes plt subplots 1 4 figsize 16 4 for ax method in zip axes methods hc agglomerativeclustering n_clusters 3 linkage method labels hc fit_predict x_scaled ax scatter x_scaled 0 x_scaled 1 c labels cmap set1 s 30 ax set_title f method capitalize linkage ax set_xticks ax set_yticks plt suptitle linkage method comparison k 3 y 1 02 plt tight_layout plt show kopieren hierarchisches clustering vs k means merkmal hierarchisches clustering k means anzahl der cluster nach dem ausführen wählen dendrogramm prüfen muss vor dem ausführen angegeben werden skalierbarkeit o n² speicher probleme bei mehr als 10 000 zeilen o n k i skaliert auf millionen determinismus vollständig deterministisch hängt von der zufälligen initialisierung ab cluster formen flexibel besonders mit single average linkage setzt kugelförmige cluster voraus interpretierbarkeit dendrogramm zeigt vollständige zusammenführungshistorie schwerpunkte sind leicht interpretierbar verwenden sie hierarchisches clustering für explorative analysen kleinerer datensätze wechseln sie zu k means oder dbscan wenn sie millionen von zeilen haben oder die anzahl der cluster bereits kennen häufige fehler features nicht skalieren ohne feature skalierung dominiert ein merkmal das in tausenden gemessen wird z b einkommen eines das in einstelligen zahlen gemessen wird z b altersfreigabe und erzeugt irreführende cluster ward linkage mit nicht euklidischen abständen verwenden ward linkage ist nur mit euklidischem abstand gültig für andere abstandsmetriken z b kosinus manhattan verwenden sie complete oder average linkage und übergeben sie metric explizit dendrogramme bei sehr großen datensätzen interpretieren ein dendrogramm mit 10 000 blättern ist unleserlich verwenden sie p und truncate_mode lastp in scipys dendrogram um nur die letzten p zusammenführungen anzuzeigen cluster ids als stabil behandeln cluster ids 0 1 2 sind willkürliche labels wenn zwei durchläufe verglichen werden cluster nach inhalt abgleichen nicht nach nummer fazit hierarchisches clustering ist ein flexibler interpretierbarer algorithmus der nicht erfordert dass k vorab gewählt wird das vollständige dendrogramm wird einmal erstellt und kann dann auf jeder ebene geschnitten werden ward linkage mit standardscaler vorverarbeitung ist die sicherste standardwahl für sehr große datensätze bevorzugen sie k means aus leistungsgründen verwandte kapitel scale warum und wie features vor dem clustering standardisiert werden k means die flache clustering alternative für große datensätze scipy tutorial mehr zur wissenschaftlichen bibliothek scipy scatter plot mehrdimensionale daten mit matplotlib visualisieren was this page helpful yes no previous konfusionsmatrix next logistische regression on this page was ist hierarchisches clustering agglomeratives vs divisives clustering wie der algorithmus funktioniert linkage methoden feature skalierung vor dem clustering hierarchisches clustering mit scikit learn imp...