Linkage：
Agglomerative hierarchical cluster tree（凝聚成層次聚類樹）
語法：
解釋：
Z=linkage(x),返回Z，是一個X矩陣中行的分層聚類樹（用最短距離算法生成具有層次結構的聚類樹）。輸入的X為pdist函數輸出的距離向量矩陣（pdist函數參考上篇文章）
Z=linkage(x,method),使用指定的method創建樹
Z=linkage(x,method,metric)利用度量來計算
Z=linkage(x,method,pdist_input)將參數傳遞給pdist函數。。。。
Z=linkage(x,method,metric,’savememory’,value)當value為true時使用一種內存保存算法，當value為false時使用標准算法。
Z=linkage(Y),用距離矩陣Y表示，Y可以是由pdist函數計算出的，也可以是一個更一般的矩陣
Z=linkage（Y,method）用指定的method創建樹，method描述了 如何測量集群之間的距離。
Single:最短距離（缺省）
Complete：最大距離
Average：平均距離
Centroid：重心距離
Ward：離差平方和
輸出Z:
Z是一個（m-1）-乘3矩陣，m是原始數據中行的數量。Z的第1和2列包含成對的集群索引，以形成一個二叉樹。葉節點從1到m.葉節點是由所有更高的集群組成的單例集群。每一個新形成的集群，對應於第Z行（I，：），被分配索引m+I。Z（I，1:2）包含構成集群m+I的兩個組件集群的索引。有m-1更高的集群，對應於集群樹的內部節點。Z（I，3）包含在第Z行（I：：）中合並的兩個簇之間的鏈接距離。
例如，假設有30個初始節點，第12步集群5和集群7合並。假設它們的距離是1。5。然后Z（12，：）是5 7 1。5。新形成的集群將有索引12+30=42。如果集群42出現在后面一行中，則意味着第12步中創建的集群將被合並到更大的集群中。
比如:
根據結果畫出二叉樹如下：
第一列，第二列為類的表示，葉子節點為原始數據的行數，1,2之間最短距離為2.2061，聚類為6（原始行數累加所得）
Cluters:
Construct agglomerative clusters from linkages(從聚類樹結構中構建聚類)
語法：
解釋：
T=cluster(Z,’cutoff’,c): 從聚集的層次化集群樹Z中構造集群。Z是一個大小的矩陣（m-1）-乘3(由linkage函數生成)，m是原始數據中行的數量。c是將Z切割成集群的閾值。當一個節點及其所有子節點的值都小於c時，集群就會形成，所有節點在節點或下面的所有葉子都被分組到一個集群中。t是一個大小為m的向量，包含每個觀察的群集分配。如果c是一個向量，那么T是一個集群分配的矩陣，每個截止值都有一個列
T=cluster(Z,’cutoff’,c,’depth’,d): 通過觀察每個節點下面的深度d來評估不一致的值。默認的深度是2。
T=cluster(Z,’cutoff’,c,’criterion’,criterion): 使用指定的標准來形成集群，其中標准是字符串“inconsistent”（默認）或“depth”。“depth”標准使用在節點上合並的兩個子節點之間的距離來測量節點高度。在一個節點的高度小於c的節點的所有葉節點都被分組到一個集群中。
T=cluster(Z,’maxclust’,n): 用“depth”准則構造一個最大的n個集群。集群找到最小的高度，通過樹的水平切割留下n個或更少的集群。
如果n是一個向量，那么T是一個集群分配矩陣，每個最大值是一個列。
如;
從上邊的聚類樹和結果的比較中可以得出，當分為5類時，每個節點單獨是一類，聚成4類時，標號1和標號2聚成第4，其他單獨為一類；當聚成3類時，更具聚類樹，原始數據的標號3和標號5又聚成一類，一次類推。