（）采用自底向上的聚类方法，从最底层开始，每一次通过合并最相似的聚类来形成上一层次中的聚类，当全部数据点都合并到一个聚类时或者达到某个终止条件时结束，是大部分层次聚类采用的方法。

（）采用自底向上的聚类方法，从最底层开始，每一次通过合并最相似的聚类来形成上一层次中的聚类，当全部数据点都合并到一个聚类时或者达到某个终止条件时结束，是大部分层次聚类采用的方法。

A、分裂的层次聚类

B、基于划分的算法

C、合并的层次聚类

D、基于密度的聚类算法

正确答案：C

答案解析：

合并的层次聚类：这种方法正如题目所描述，采用自底向上的策略。开始时，每个数据点被视为一个单独的聚类。然后，在每一步迭代中，算法会寻找当前最相似的两个聚类，并将它们合并为一个新的聚类。相似性通常通过距离度量（如欧氏距离、曼哈顿距离等）来衡量。这个过程不断重复，直到所有的数据点都合并到一个聚类中，或者满足某个预先设定的终止条件（例如聚类的数量达到一定值、聚类间的距离超过某个阈值等）。例如，在对一群客户的消费数据进行聚类分析时，最初每个客户的消费数据是一个单独聚类，通过计算客户消费特征之间的距离，将距离最近（最相似）的两个客户聚类合并，逐步形成更大的聚类，最终形成不同层次的聚类结构。所以大部分层次聚类采用此方法，C选项正确。

分裂的层次聚类：与合并的层次聚类相反，它采用自顶向下的方法。一开始，所有的数据点都在一个聚类中，然后逐步将这个大聚类分裂成更小的聚类。每次迭代时，选择一个聚类并将其分裂成两个或多个子聚类，直到每个数据点都单独成为一个聚类，或者满足特定的终止条件。这与题目中自底向上的描述不符，A选项错误。

基于划分的算法：这类算法首先将数据对象划分成k个初始聚类（k为预先设定的聚类数），然后通过不断地将对象从一个聚类移动到另一个聚类来优化聚类结果，以最小化某个目标函数（如误差平方和）。常见的基于划分的算法有\（K-means\）算法等。它与层次聚类的思想不同，不是通过合并或分裂的方式逐步形成聚类层次结构，B选项错误。

基于密度的聚类算法：该算法基于数据点的密度分布来发现聚类。它将数据空间中密度相连的数据点划分为一个聚类，而低密度区域则被视为聚类之间的边界。例如DBSCAN算法，它可以发现任意形状的聚类，并且能够识别出数据集中的噪声点。与题目中描述的自底向上合并聚类的方法不同，D选项错误。