K-mediods算法

最新推荐文章于 2021-11-30 21:13:23 发布
最新推荐文章于 2021-11-30 21:13:23 发布
阅读量1.2w 收藏 23
点赞数 3
分类专栏： 数据结构和算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/expleeve/article/details/46730705
版权
K-medoids是一种基于划分方法的聚类算法，是对K-means的改进，适用于处理大型数据集，能产生紧凑的簇。它对噪声不敏感，但需要预先设定簇数和中心点，且计算复杂度较高。算法过程包括随机选择初始中心点，计算样本点到中心点的距离并分配簇，然后更新中心点直至收敛。
摘要由CSDN通过智能技术生成

K-mediods(K中心点)算法介绍

一、K-mediods算法介绍

a) 话说，聚类算法可以被分为那么几种，比如基于划分方法的、基于层次方法的、基于密度方法的、基于网格方法的、基于模型方法的；K-mediods算法就是基于划分方法的一种聚类算法，确切的说，是对K-means算法的一种改进算法。

二、K-mediods算法优缺点

a) K-mediods算法具有能够处理大型数据集，结果簇相当紧凑，并且簇与簇之间明显分明的优点，这一点和K-means算法相同。

b) 同时，该算法也有K-means同样的缺点，如，必须事先确定类簇数和中心点，簇数和中心点的选择对结果影响很大；一般在获得一个局部最优的解后

最低0.47元/天 解锁文章
expleeve
关注
专栏目录
K-medoids中心聚类算法
qq_45645521的博客
03-10 1万+
K-medoids中心聚类算法K-medoids聚类算法的基本思想K-medoids算法步骤实验源码结果展示 Medoid在英文中的意思为“中心点” 所以，K-Medoids算法又叫K-中心点聚类算法 与K-means有所不同的是：K-medoids算法不采用簇中对象的平均值作为参照点，而是选用簇中位置最中心的对象，即中心点作为参照点 那么问题来了，该怎么找聚类对象中的代表对象，也就是中心点呢？ 首先为每个簇随意选择一个代表对象，剩余的对象根据其与代表对象的距离分配给最近的一个簇；然后反复地用非代表对象的距
k-中心聚类算法（k-medoids）
最新发布
...
07-06 640
K-medoids算法是一种分区聚类方法，用于将数据集划分为 k 个簇，其中 k 是由用户指定的簇的数量。与K-means算法不同，K-medoids算法选择实际的数据点作为。这样，K-medoids算法对异常值更加鲁棒，因为它不会受到极端值的影响。
K-medoidsK中心算法
03-29
K-medoid算法，一个适合于初学者的程序，简单易懂！！
K-Mediods算法
qq_44796643的博客
11-30 7306
K-Mediods算法概述K-mediods算法处理过程实验步骤1 安装并导入所需要的库2 定义一个k-medoid类2.1 创建测试数据并画图表示2.2 定义欧式距离的计算2.3 K-mediods算法2.4 画图分类比较3 sklearn实现K-Medoids算法3.1 引入所需要的库3.2 构造示例数据集（加入少量脏数据）3.3 准备可视化需要的降维数据3.4 对不同的k进行试探性K-medoids聚类并可视化k-meams 和 k-medoids 比较K-mediods算法优缺点 概述 k-mean
【聚类算法】K-Mediods算法详解
turkeym4的博客
11-25 1万+
PAM算法其实就是簇围绕中心点。所以也可以称为中心点围绕划分法。初步认识算法意思之后，接下来我们将加深学习这个算法。
k-medoids聚类算法
学习者的旅途
12-08 1万+
引言 上一篇博客介绍了k-means聚类算法，该算法虽然高效快速，但却受异常点的影响严重，如果样本中存在异常点，则聚类结果会产生极大的偏差。针对异常点对聚类结果的影响，本文介绍k-medoids聚类算法，k-medoids算法能有效削弱异常点的影响。 k-medoids算法 k-mediods每次选取的中心点，必须是样本点，而 k-means每次选取的中心点可以是样本点之外的点，就好比中位数和平均...
P(39)：k-medoids算法
AI学习笔记
05-05 247
对于任意的样本点都有这4种情况产生 p到现在中心点的距离-p到原来中心点的距离 TC_ac：a被c替换的总代价； C_AAB:A这个点原来属于A这个中心后来属于B这个中心 ...
k-mediods.rar_K mediods_K-中心点_K-中心点聚类_k-mediods聚类_k中心点
07-14
K-Mediods算法的基本步骤如下： 1. **初始化**: 随机选择K个数据点作为初始的聚类中心，称为Mediods。 2. **分配阶段**: 对于每个数据点，计算它到所有Mediods的距离，并将其分配到最近的Mediod。 3. **更新阶段**:...
聚类--K-mediods1
08-08
聚类--K-mediods1 K-medoids 算法是解决 k-means 算法中的“噪声”敏感问题的有效方法。K-means 算法会受到“噪声”点的影响，从而导致类簇质点的偏移，影响聚类结果的准确性。K-medoids 算法则通过选择合适的质点...
k-medoids聚类matlab实现
05-06
matlab下实现的k-medoids聚类算法
k-medoids聚类算法源代码
01-11
k-medoids聚类算法源代码，内含一个.cpp文件，一个.h文件
kmeans和k-medoids的比较算法
01-06
两种算法的比较，有数据文件，有源码文件供参考，可直接用
K中心点聚类算法
12-25
最传统的K中心点聚类算法，具有易陷入局部最优和随机选取质心的缺点
Cluster.zip_K cluster_K-mediods_mediods _聚类k_聚类算法
07-15
"Cluster.zip_K cluster_K-mediods_mediods _聚类k_聚类算法"这一压缩包中可能包含了关于K-means和K-medoids这两种经典聚类算法的相关资料。下面将详细阐述这两种聚类算法及其应用。 K-means算法是基于中心的聚类...
K-means算法与K-mediods算法 python实现
09-20 1589
一、K-mediods 算法步骤： 1、随机选取k个样本作为中心点2、一层遍历每一个样本，二层遍历每一个中心样本，找出离该样本最近的中心样本3、遍历中心样本，该中心样本划分出来的该簇样本，遍历该簇样本，找出离所有样本距离最小的样本，代替旧中心4、直到达到指定训练次数或者样本分类结果不再变化，结束训练 1 import numpy as np 2 from numpy im...
机器学习 k-mediods算法
伽音的博客
09-03 3422
1.原理          k-mediods聚类算法原理和k-means聚类算法原理大体相似，主要不同的是k-means聚类算法更新聚簇中心的时候直接计算的均值，而k-mediods聚类算法更新聚簇中心的时候先对每个聚簇中心计算每一个点到簇内其他点的距离之和，然后再选择距离最小的点来作为新的聚簇中心。k-mediods算法这样计算可以避免数据中的异常值带来的影响。 2.算法思路 （1）从输...
聚类算法——k-medoids算法
热门推荐
coder_Gray的博客
03-26 4万+
引言上一篇文章我们了解了k-means算法，在文章末尾指出k-means算法对于异常值十分敏感，因为具有极大值的对象可能会产生严重扭曲的数据分布。因此我们可以使用k-medoids算法，它是集群中位于最中心的对象，而不是将集群中的平均值作为参考点。因此，分区的方法仍然可以基于最小化每个对象与其参考点之间的不相似程度之和的原理来进行。这构成了k-medoids方法的基础。k-means对比k-med...
k-mediods算法 python代码
06-28
### 回答1： k-medoids算法是一种聚类算法，它是k-means算法的一种改进。k-medoids算法的主要思想是选择k个代表性样本作为聚类中心，然后将每个样本分配到最近的聚类中心中。与k-means算法不同的是，k-medoids算法使用代表性样本作为聚类中心，而不是使用样本的平均值作为聚类中心。 以下是使用Python实现k-medoids算法的代码： ```python import numpy as np from sklearn.metrics.pairwise import pairwise_distances def k_medoids(X, k, max_iter=100): # 初始化聚类中心 centers = np.random.choice(len(X), k, replace=False) # 迭代更新聚类中心 for i in range(max_iter): # 计算每个样本到聚类中心的距离 distances = pairwise_distances(X, X[centers]) # 找到每个样本距离最近的聚类中心 labels = np.argmin(distances, axis=1) # 更新聚类中心 for j in range(k): # 找到属于第j个聚类的样本 indices = np.where(labels == j)[0] # 计算这些样本与其他样本的距离之和 total_distance = np.sum(pairwise_distances(X[indices], X[indices])) # 找到距离最小的样本作为新的聚类中心 min_distance = np.inf min_index = centers[j] for index in indices: distance = np.sum(pairwise_distances(X[index].reshape(1, -1), X[indices])) if distance < min_distance: min_distance = distance min_index = index centers[j] = min_index # 返回聚类结果和聚类中心 distances = pairwise_distances(X, X[centers]) labels = np.argmin(distances, axis=1) return labels, centers ``` 该代码使用numpy和sklearn库实现了k-medoids算法。其中，X是样本数据，k是聚类数，max_iter是最大迭代次数。该算法首先随机选择k个样本作为聚类中心，然后迭代更新聚类中心，直到达到最大迭代次数或聚类中心不再改变。在更新聚类中心时，该算法首先计算每个样本到聚类中心的距离，然后找到每个样本距离最近的聚类中心，最后找到距离最小的样本作为新的聚类中心。最终，该算法返回聚类结果和聚类中心。 ### 回答2： k-medoids算法（又称为PAM算法）是聚类算法中的一种。相比于k-means算法，k-medoids更加健壮，能够处理噪声和离群值。k-medoids算法的核心思想就是在k个点中选出一个点作为中心点（即medoid），将其他点分配到距离它们最近的中心点，最终达到聚类的效果。 下面是用Python实现k-medoids算法的代码： ```python import numpy as np from sklearn.metrics.pairwise import pairwise_distances class KMedoids: def __init__(self, k=3, max_iterations=100): self.k = k self.max_iterations = max_iterations def fit(self, X): n_samples, n_features = X.shape # Initialize medoids = np.zeros(self.k, dtype=int) dists = pairwise_distances(X, metric='euclidean') np.fill_diagonal(dists, 0) # Randomly select medoids medoids = np.random.choice(n_samples, self.k, replace=False) # Assign samples to closest medoids labels = np.argmin(dists[medoids], axis=0) for i in range(self.max_iterations): # Update medoids for j in range(self.k): indices = np.where(labels == j)[0] costs = dists[indices, :][:, indices] total_cost = np.sum(costs, axis=1) new_medoid = indices[np.argmin(total_cost)] medoids[j] = new_medoid # Assign samples to closest medoids labels = np.argmin(dists[medoids], axis=0) centroids = X[medoids] return medoids, centroids, labels ``` 这段代码使用了NumPy库和scikit-learn的pairwise_distances函数。输入数据是一个n_samples×n_features的矩阵X，其中n_samples表示样本数，n_features表示特征数。k是聚类的簇数，max_iterations是迭代次数。 首先，将样本两两之间的距离计算出来，并且将对角线上的值设为0。接着，随机选择k个点作为medoids。然后按照距离最近的原则，将其他点分配到距离它们最近的medoids。之后，重复以下步骤： 1. 计算每个簇内距离的总和，将最小的距离和对应的点作为新的medoid。 2. 按照距离最近的原则，将其他点分配到距离它们最近的medoids。 最终返回medoids，centroids和labels，其中medoids表示每个簇的medoid的索引，centroids表示每个簇的中心点，labels表示每个样本所属的簇的索引。 ### 回答3： k-medoids算法是一种常用的聚类算法，与k-means算法相比，它使用代表点（medoids）代替了质心作为聚类中心，因此更具有稳健性。 以下是使用Python实现的k-medoids算法的代码。 1. 导入必要的库 ``` import numpy as np from sklearn.metrics.pairwise import pairwise_distances ``` 2. 定义k-medoids函数 ``` def kmedoids(D, k, max_iter=100): # 随机初始化k个medoids M = list(range(D.shape[0])) np.random.shuffle(M) M = np.array(M[:k]) M_old = np.copy(M) # 迭代k-medoids算法 for _ in range(max_iter): # 计算每个点到medoid的距离 D_M = pairwise_distances(D, D[M]) # 选择最近的medoid作为每个点的cluster labels = np.argmin(D_M, axis=1) # 更新每个cluster的medoid for i in range(k): M[i] = np.median(np.where(labels == i)[0]) # 如果medoids没有改变，则收敛 if np.all(M == M_old): break M_old = np.copy(M) # 返回聚类结果 return labels, M ``` 此函数接受一个距离矩阵D、聚类个数k和最大迭代次数max_iter作为输入。它首先随机选取k个点作为medoids，然后为每个点找到最近的medoid，并将它们分配到相应的cluster中。接下来，它更新每个cluster的medoid，直到收敛为止。最后，它返回每个点所属的cluster和最终的medoids。 3. 示例应用 为了演示如何使用该k-medoids函数，下面通过一个简单的示例来说明。 假设有10个样本，每个样本有3个特征： ``` X = np.random.rand(10, 3) ``` 现在我们想使用k-medoids算法将这些点划分成3个cluster： ``` labels, M = kmedoids(D=pairwise_distances(X), k=3) ``` 其中，D是每个点之间的距离矩阵，由`pairwise_distances`函数计算得出。最终的聚类结果存储在`labels`变量中，medoids存储在`M`变量中。 我们可以将聚类结果可视化： ``` import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure() ax = fig.add_subplot(111, projection='3d') colors = ['r', 'g', 'b'] for i in range(3): idx = np.where(labels == i)[0] ax.scatter(X[idx, 0], X[idx, 1], X[idx, 2], c=colors[i], marker='o') ax.scatter(X[M, 0], X[M, 1], X[M, 2], c='black', marker='x', s=100) ``` 此代码将结果可视化为一个三维散点图，每个cluster用不同的颜色表示，medoids用黑色的X表示。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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