从文档中：

类似于 AgglomerativeClustering，但递归地合并特征而不是样本。

在标准凝聚聚类中，您会收到一个矩阵$M^{n \times m}$代表$n$尺寸样本$m$你想要集群。在特征聚集中，算法对矩阵的转置进行聚类，即$M^T$所以它聚集$m$尺寸样本$n$，这些样本代表特征。

用于对特征（转置矩阵中的样本）进行聚类的默认距离是欧几里得距离，但您也可以使用 l1、余弦等。

例如，假设您有 3 个维度为 3 的样本（矩阵 3x3 矩阵）：：

----------------------------------
| feature1 | feature2 | feature3 |
----------------------------------
|     1    |   1.05   |    10    |
----------------------------------
|     1    |   1.05   |    10    |
----------------------------------
|     2    |   2.05   |    20    |
----------------------------------

如果要将数据集的维度减少到 2 维，算法将特征 1 和特征 2 聚集在一起，并保持特征 3 不变，新矩阵为：

----------------------------------
| feature1 - feature2 | feature3 |
----------------------------------
|         1.025       |    10    |
----------------------------------
|         1.025       |    10    |
----------------------------------
|         2.025       |    20    |
----------------------------------

生成的特征由池化函数确定，在上面的情况下，它计算算术平均值。有关更深入的使用示例，请参阅此内容。