为了比较两个分层（树状）结构的相似性，使用了基于共生相关思想的度量。但是，为了在层次聚类中选择“正确”的方法或距离度量而进行树状图比较是否正确？
关于层次聚类分析，有一些要点 - 隐藏的障碍 - 我认为非常重要：
- 永远不要在视觉上比较通过不同的聚集方法获得的树状图（为了选择给出更强划分的方法）。它不会告诉您哪种方法“更好”。每种方法都有自己的“原型”树外观：即使数据没有集群结构或具有随机集群结构，这些树也会始终如一地不同。（而且我不认为存在可以消除这些内在差异的标准化或措施。）。但是，您可以比较由相同方法但不同数据产生的结果的树状图外观。Maxim：直接，不同方法后树状图的外观比较是不可接受的。
- 不要通过查看Ward方法的树状图来决定簇的数量（即在哪里砍树） 。在 Ward 中，树显示的是总和而非平均的拼凑系数的增长；结果是，由于后面的簇在点数上更大，所以后面的簇在树上看起来会误导“更好”。为了适当地标准化 Ward 的树状图，将每一步的系数增长除以组合的两个集群中的总点数（但是，这种标准化的 Ward 树状图可能难以以图形方式实现）。1 格言：虽然可能通过考虑树状图外观来选择切割级别，但这并不是选择分区的最佳方法，并且对于某些方法可能会产生误导。建议改用一些正式的内部聚类标准（另请参见此处）。
- 尽管没有人可以禁止你“试验”距离测量或凝聚方法，但最好有意识地选择距离和方法，而不是盲目尝试。距离应该反映您感兴趣的差异方面，并且该方法 - 必须注意 - 暗示了集群的特定原型（例如，我会说，Ward 集群的隐喻是type ; 完全链接后的集群将是圆[按爱好或情节]；单一链接后的集群将是频谱[链]；质心方法后的集群将是平台的接近度[政治]；平均链接集群在概念上是最无差别的，并且通常是统一的类）。
- 一些方法需要正确的距离测量和/或正确的数据类型。例如，沃德和质心在逻辑上需要（平方）欧几里得距离——因为这些方法涉及欧几里得空间中的质心计算。并且几何质心的计算与例如二进制数据不协调；数据应该是规模/连续的。格言：数据/距离/方法假设和对应关系是非常重要且不是那么容易的问题。
- 预处理（例如对变量/特征进行中心化、缩放和其他形式的变换）预先计算距离矩阵和进行聚类也是非常重要的问题。它可以极大地影响结果。想想什么预处理可以帮助你，并且从解释的角度来看是有意义的。此外，在尝试进行聚类分析之前，不要害羞地以图形方式仔细检查您的数据。
- 并非所有的凝聚聚类方法都可以同等地视为给你分层分类......在哲学基础上。例如，centroid 方法在某种意义上确实给出了层次结构，因为集群中心是集群作为一个整体的涌现和定义特征，并且合并集群是由该特征驱动的。另一方面，完全链接在合并两个子集群时会“解散”它们 - 由于两个子集群的各个对象之间存在距离。因此，完整的连锁树状图只是收集的历史，而不是父子分类法。Maxim：层次凝聚聚类分析通常期望您根据其结果进行分区，而不是将结果视为层次分类法。
- 层次聚类是典型的贪心算法，它在每一步出现的备选方案中做出最佳选择，以期最终接近最优解。然而，出现在高级步骤上的“最佳”选择可能比理论上可能在该步骤上可能出现的全局最优差。通常，步骤越大，次优性越大。鉴于我们通常需要很少的集群，最后一步很重要；并且，正如刚才所说，如果步数很高（例如，第千步），它们预计会相对较差。这就是为什么即使程序可以处理如此大的距离矩阵，通常也不建议对大型对象样本（数以千计的对象）进行层次聚类。
如果在采取上述预防措施之后，您仍然认为您想要衡量分层分类之间的相似性，您可能会在“比较树状图”和“比较分层分类”上搜索。一个最暗示自己的想法可能是基于共同相关性：对于n 个对象的同一数据集有两个树状图，让是每对对象ij之间的拼合系数（或者可能是它的等级，步数）一个树状图，并且在另一个树状图中同样相同。计算相关性或余弦。XijYij
1 稍后更新Wards方法的树状图问题。不同的聚类程序可能会为 Ward 方法输出不同的变换聚集系数。因此，尽管聚类历史和结果相同，但它们的树状图看起来会有所不同。例如，SPSS 不会从超度量系数中求根，而是将它们累积到输出中。另一个传统（例如，在某些 R 包中发现）是扎根（所谓的“Ward-2”实现）而不是累积。再重复一遍，这种差异只影响树状图的一般形状/外观，而不影响聚类结果。但是树状图的外观可能会影响您对集群数量的决定。道理是，在 Ward 的方法中完全不依赖树状图是安全的，除非您确切地知道程序中的这些系数是什么以及如何正确解释它们。