凝聚聚类是一种聚类算法，它通过一系列步骤逐步合并最相似的簇，直至满足特定的终止条件。在scikit-learn中，终止条件通常是簇的数量。为了确定两个簇之间的相似度，算法采用不同的链接准则，如ward、average和complete。

• ward：默认选项，选择两个簇进行合并，以使所有簇内的方差增加最小，从而通常形成大小相近的簇。
• average：将两个簇中所有点之间的平均距离最小化，然后合并这两个簇。
• complete：将两个簇中最大距离最小化，然后合并这两个簇。

ward方法通常适用于大多数数据，但如果簇的大小差异较大，使用average和complete可能会更合适。

接下来，我们使用make_blobs数据集来展示凝聚聚类的效果。由于凝聚聚类没有predict方法，我们使用fit_predict方法来进行聚类。结果显示，算法成功地将数据点分为三个簇。

此外，凝聚聚类还生成了层次结构，这可以通过层次凝聚和树状图来观察。尽管scikit-learn本身没有提供绘制树状图的功能，但可以使用Scipy来实现。通过绘制树状图，我们可以更直观地看到数据点是如何逐步合并成簇的。

例如，我们使用ward方法处理一个包含12个样本的数据集，并生成了一个链接数组。接着，我们使用Scipy的dendrogram函数绘制树状图。图中的虚线分别标记了将数据划分为两个簇和三个簇的位置，展示了数据点合并的过程。

尽管凝聚聚类在处理复杂形状的数据（如two_moons数据集）时表现不佳，但通过层次凝聚和树状图，我们可以更好地理解数据点的分布和聚类过程。接下来，我们将探讨另一种聚类算法——DBSCAN，以应对这类复杂情况。