K-Means 和K-Medoids算法及其MATLAB实现

本文介绍了K-Means和K-Medoids聚类算法的基本原理,并提供了MATLAB实现代码。这两种无监督学习算法在数据集P上进行操作,目标是最小化类集合的总平方距离。K-Means算法通过迭代更新类中心,而K-Medoids则选取数据点作为代表。尽管两者都是局部最优解,但K-Medoids计算量较大。MATLAB实现未包含精度测量,但在简单场景下,K-Means通常能获得较好结果。
摘要由CSDN通过智能技术生成

K-Means和K-Medoids算法是学习领域比较普通的聚类算法(无监督学习),本文介绍原理及Matlab实现代码。

1.问题:

     给定数据点集P,d-by-N,将这些数据点集聚类到K类中去<K是给定的类的数目,可以不给定K,但本文我们处理不那么复杂的问题>

同时要求下式值最小:Sk是聚类形成的数据集合,mk是每个类集合的“中心”——K-Means与K-Medoids唯一不同的地方

                                                       

演示图:

2.K-Means算法:

       1. 将数据分为K个非空子集

       2. 计算每个类中心 

       3. 将每个数据点 xj 到最近的 mk </

评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值