Спасибо за хороший отзыв. Про метод случайного леса учту. По возможности сделаю.

Если у объектов много иксов, то в целом алгоритм расчета остается прежним. Немного меняется формула расчета расстояний между объектами. Когда у нас было 2 икса, то в формуле Евклидова расстояния для объектов А и В был корень((x1A-x1B)^2 + (x2A-x2B)^2). Если иксов больше, то просто по аналогии добавляйте x3, x4, x5,... Ну и еще один момент в том, что вам не удастся нарисовать точки на графике, так как измерений больше, чем 3 штуки. Придется довольствоваться только результатами расчетов.

Спасибо. Да как-то и не спрашивал никто. Цель была показать.

Здравствуйте. Как я понял, речь идёт о методе k-средних? Когда мы считаем координаты центроида, то среднее берется по каждой переменной отдельно, то есть по одному столбцу. В этом столбце выбираем те объекты, которые относятся к данному центроиду.

@@learningmeansdoing О методе древовидной кластеризации. На шаге, когда после создания матрицы евклидового расстояния нужно рассчитать расстояние между кластерами(в моем случае центроидным методом). А ситуация в таблице такова: при объединении двух схожих объектов в один кластер и при расчете по формуле среднего значения, я не могу понять нужно ли рассчитывать только срзнач в строках или в столбцах также, поскольку у меня симметричная матрица 8х8(в том числе исходная матрица такого размера, то есть у меня столбцы от х1 до х8, а у вас от х1 до х2), и возникает пересечение на стыке столбца и строки объединенных в один кластер объектов. Таким образом, я не могу понять мне следует рассчитывать среднее в столбцах и строках, или только в столбцах, или только в строках. Но если и в строках и в столбцах одновременно, то какую формулу для расчета срзнач выбрать, как при расчете строк или как при расчете столбцов?

Когда мы считаем координаты центроидов, то берется среднее значение по каждой переменной отдельно. То есть у вас всегда будет 8 столбцов, они не должны смешиваться друг с другом. Для расчета среднего значения берутся только объекты, принадлежащие определенному кластеру.

@@learningmeansdoing Спасибо вам большое.