不确定您是否面临具体问题。无论如何，这里有一个凝聚系数的定义，来自在数据中查找组：聚类分析简介：

一般而言，AC 描述了通过群平均链接获得的聚类结构的强度。但是，当 n 增加时，AC 往往会变大，因此不应该用它来比较大小差异很大的数据集。

另外，如果你熟悉剪影，

AC 也可以与轮廓系数 (SC) 进行比较

乍一看，您得到的系数指向数据中非常合理的聚类结构，因为它接近于 1：系数取值从 0 到 1，它实际上是形成聚类的归一化长度的平均值. 也就是说，当您查看树状图时看到的长度。

评论后编辑：确实，我引用的书中的文本（“在数据中查找组......”）在我的复制粘贴中引用了组平均链接，这可能会产生误导。但是，系数指的是横幅（类似于一种更简单的或二进制树状图），并且仅验证聚类产生的结构，而与方法无关。

这是对凝聚系数的另一个参考，没有参考所使用的​​方法（尽管当然总是在层次聚类的背景下）。

评论后编辑 2：我在下面解释了我对如何计算系数的理解，始终使用相同的参考。

系数的公式是

即 的平均值l(i)，计算如下：

对于每个对象 i，我们查看包含其标签的行并在横幅上方或下方以 0-1 的比例测量其长度 I(i)。

虽然我无法制作 0-1 比例的情节，但这只是长度的标准化。

横幅是树状图的二进制表示，其中：

• 在左侧，当所有对象在凝聚算法的初始阶段被分离时，横幅只是空白
• 一旦 2 个对象聚集在同一个簇中，它们就会出现在横幅中
• 由 x 轴上的l(i)点标记，其中对象聚集在一起，并且是图的水平条的长度

一个例子总是更清楚，实际上是同一本书中的类似例子。让我们想象一个 4 维空间中的 5 个对象；其中 4 个物体非常靠近，其中一个距离很远。

df <- data.frame("c1"=c(2, 2, 2, 2, 10), "c2"=c(2, 2, 2, 2, 10),
                 "c3"=c(2, 2, 2, 2, 10), "c4"=c(2, 2, 2, 2, 10))

让我们进行聚类，

library(cluster)
r <- agnes(df, method="ward")

横幅图实际上看起来有点难看：

但无论如何，在同一位置的 4 个对象在开始时连接成一个簇，第 5 个对象在距离 20 处。就个人而言，查看树状图要容易得多：

但是信息几乎相同。

现在进行 AC 计算。前 4 个对象的条形长度为 1（标准化），最后一个为 0，因此 AC 为 0.8：

> r$ac
[1] 0.8

在树状图中，应该想象条形图旋转了 90 度，它们从树的根部延伸到形成组的点。