几种聚类算法的结合运用(K-MEANS K-medoids 最大最小距离算法)

几种聚类算法的结合运用（K-MEANS、 K-medoids、 最大最小距离算法）

聚类算法通常会得到一种分类，将n个点聚合成k类，同一聚类（即插槽簇）中的对象相似度较高；而不同类中的对象相似度较小。

聚类算法的基本流程如下：

（1）从n个节点中选择 k 个节点作为初始聚类中心。（2）将剩余节点根据它们与这k个聚类中心的代价大小，分别将它们分配给与其代价最小的（聚类中心所代表的）聚类。（3）更新聚类的聚类中心。不断重复（2）（3）这一过程将剩下其它节点分配完毕。（4）排序，将各聚类按照聚类间节点代价和高低降序排列。

         下面详细解释上述步骤。

（1）从n个节点中选择 k 个节点作为初始聚类中心

由于K-MEANS算法（一种典型的聚类算法，随机确定k个聚类中心）有缺点：产生类的大小相差不会很大，对于脏数据很敏感。所以采用最大最小距离算法确定这k个聚类中心。最大最小距离算法是识别领域中的一种试探性算法。思想是取尽可能离得远的对象作为聚类中心，以避免聚类中心过于邻近。

步骤如下：

1.计算各节点到其他节点的最大代价总和，取满足最大的点i（可理解为距其他节点最远）为聚类1的中心点。

2.计算其他节点到点的最大代价，取满足最大的i点为聚类2的中心点。

3. 计算其他节点到、点的最大代价，取满足最大的i点为聚类3的中心点。

4. 计算其他节点到、、点的最大代价，取满足最大的i点为聚类4的中心点。

以此类推直到找到k个聚类中心点。

 

（2）将剩余节点根据它们与这些聚类中心的代价大小，分别将它们分配给与其代价最小的（聚类中心所代表的）聚类

依次将不是聚类中心点的节点分配到k个聚类中去。若某类中已经有两个节点，则在分配进入该节点之后还要进行更新聚类中心点的操作（见后（3）详解）。

 

（3）更新聚类的聚类中心

当某个聚类中存在3个或3个以上节点时需要更新此聚类中心点。采用K-medoids算法中的更新聚类中心方式。在 K-medoids算法中，我们将从当前聚类中选取这样一个点——它到其他所有（当前聚类中）点的代价之和最小——作为中心点。

 

（4）排序，将各