agglomerativeclustering默认不输出标签，因设计上fit()仅拟合树结构，需显式调用fit_predict()才返回整数标签数组；它不支持predict()，无法泛化至新样本。
AgglomerativeClustering 为什么默认不输出聚类标签？
直接调用 fit() 后发现 model.labels_ 是空的，不是 bug，是设计：它默认只做拟合，不自动预测。必须显式调用 fit_predict() 才会返回标签数组，或者先 fit() 再 predict()（但注意——AgglomerativeClustering 不支持 predict() 方法，因为层次聚类无法泛化到新样本）。
常见错误现象：AttributeError: 'AgglomerativeClustering' object has no attribute 'labels_'，就是只用了 fit() 却没调用 fit_predict()。
- 正确做法：用
labels = model.fit_predict(X)一步到位 - 如果已
fit()过，仍需重新fit_predict()，不能复用 - 想对新数据“预测”？不行——得换
KMeans或训练一个分类器代理
n_clusters 参数设多少才合理？
n_clusters 是必须指定的超参，但它不像 KMeans 那样有明确物理意义：这里它只是决定在树状图（dendrogram）上切一刀的位置，切得高，簇少；切得低，簇多。没有银弹值，得结合业务目标和距离阈值判断。
使用场景建议：
- 已有明确类别数（如分 3 类客户），直接设
n_clusters=3 - 不确定时，先画 dendrogram，观察距离跃升点（即“肘部”），再定
n_clusters - 更灵活的方式：改用
distance_threshold（配合n_clusters=None），让模型按距离自动合并，避免硬编码簇数
注意：n_clusters 和 distance_threshold 互斥，同时设会报错 ValueError: Compute full tree with either n_clusters or distance_threshold。
metric 和 linkage 怎么选？影响聚类结果明显吗？
选错组合会让簇结构完全失真。默认 metric='euclidean' + linkage='ward' 看似省事，但 ward 要求输入必须是欧氏距离且数据需中心化，否则直接报错 ValueError: The ward clustering algorithm requires the distance to be Euclidean。
- 数据标准化了？没标准化就别用
ward，换成linkage='average'或'complete' - 用非欧距离（如
metric='cosine'）？必须配linkage='average'或'single'，ward不支持 -
single易产生链式簇（chaining effect），complete偏好紧凑球形簇，average是较稳的折中选择
示例：文本 TF-IDF 向量常用 metric='cosine', linkage='average'；地理坐标用 metric='haversine'（需 scikit-learn ≥ 1.2）加 linkage='average'。
如何可视化聚类过程并验证合理性？
仅看 labels 数组毫无意义。必须结合 dendrogram 或降维后散点图交叉验证。
- 画 dendrogram：用
scipy.cluster.hierarchy.dendrogram，传入model.children_和model.n_connected_components_等信息，注意AgglomerativeClustering本身不存距离矩阵，得自己算或用sklearn.metrics.pairwise_distances - 2D 可视化：先用
TSNE或PCA降到 2 维，再用plt.scatter(X_2d[:, 0], X_2d[:, 1], c=labels)，重点看簇间是否分离、簇内是否紧凑 - 警惕“假分离”：如果 PCA 后簇重叠严重，但标签看起来整齐，大概率是降维扭曲或聚类本身失效
真正麻烦的是高维稀疏数据——dendrogram 会密集成团，肉眼无法判断切分点，这时 distance_threshold + 轮廓系数（silhouette_score）比硬设 n_clusters 更可靠。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
