Untitled

"""

#2d linkage-single


#X=data_lsun
#X=data_twodiamonds
#X=data_wingnut
k_values = [2, 3, 4, 8]  # Expérimentez avec différentes valeurs de K

for k in k_values:
    # Initialisation et ajustement du modèle K-means
    agglo = AgglomerativeClustering(n_clusters=k, linkage='single')
    agglo.fit(X)
    labels = agglo.labels_

    # Visualisation des résultats en 2D
    # Nuage de points pour les données
    plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', label='Points de données')

    # Réglage des étiquettes et du titre
    plt.title(f'AgglomerativeClustering avec K={k}')
    
    # Affichage de la légende
    plt.legend()

    # Affichage du graphique 2D
    plt.show()
"""    
"""

#2d linkage-complete


#X=data_lsun
#X=data_twodiamonds
#X=data_wingnut
k_values = [2, 3, 4, 8]  # Expérimentez avec différentes valeurs de K

for k in k_values:
    # Initialisation et ajustement du modèle K-means
    agglo = AgglomerativeClustering(n_clusters=k, linkage='complete')
    agglo.fit(X)
    labels = agglo.labels_

    # Visualisation des résultats en 2D
    # Nuage de points pour les données
    plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', label='Points de données')

    # Réglage des étiquettes et du titre
    plt.title(f'AgglomerativeClustering avec K={k}')
    
    # Affichage de la légende
    plt.legend()

    # Affichage du graphique 2D
    plt.show()
"""    

"""


#3d linkage-single

#X=data_chainlink
#X = data_atom
k_values = [2, 3, 4, 7]  # Expérimentez avec différentes valeurs de K

for k in k_values:
    # Initialisation et ajustement du modèle K-means
    agglo = AgglomerativeClustering(n_clusters=k, linkage='single')
    agglo.fit(X)
    labels = agglo.labels_

    # Visualisation des résultats en 3D
    fig = plt.figure()
    ax = fig.add_subplot(111, projection='3d')

    # Nuage de points pour les données
    ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=labels, cmap='viridis', label='Points de données')

    # Réglage des étiquettes et du titre
    ax.set_title(f'AgglomerativeClustering avec K={k}')
    
    # Affichage de la légende
    ax.legend()

    # Affichage du graphique 3D
    plt.show()

"""

"""

#3d linkage-complete


#X=data_chainlink
#X = data_atom
k_values = [2, 3, 4, 7]  # Expérimentez avec différentes valeurs de K

for k in k_values:
    # Initialisation et ajustement du modèle K-means
    agglo = AgglomerativeClustering(n_clusters=k, linkage='complete')
    agglo.fit(X)
    labels = agglo.labels_

    # Visualisation des résultats en 3D
    fig = plt.figure()
    ax = fig.add_subplot(111, projection='3d')

    # Nuage de points pour les données
    ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=labels, cmap='viridis', label='Points de données')

    # Réglage des étiquettes et du titre
    ax.set_title(f'AgglomerativeClustering avec K={k}')
    
    # Affichage de la légende
    ax.legend()

    # Affichage du graphique 3D
    plt.show()
"""