K-Means 和K-Medoids算法及其MATLAB实现

最新推荐文章于 2024-05-07 09:20:10 发布

LiFeitengup

最新推荐文章于 2024-05-07 09:20:10 发布

阅读量2.1w

点赞数 8

分类专栏：机器学习数据挖掘

本文链接：https://blog.csdn.net/lifeitengup/article/details/8245028

版权

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 </