K-medodis聚类算法MATLAB

最新推荐文章于 2024-05-07 09:20:10 发布

weixin_30656145

最新推荐文章于 2024-05-07 09:20:10 发布

阅读量887

点赞数

文章标签： matlab 数据结构与算法

原文链接：http://www.cnblogs.com/lolybj/p/10165417.html

版权

本文介绍了K-medoids聚类算法在MATLAB中的实现，包括两种不同的方法：一种是国内博客中提到的，使用曼哈顿距离并选择使代价值最小的点作为聚类中心；另一种是维基百科上的PAM算法，通过尝试所有点作为聚类中心来寻找最小代价值的组合。提供了一段kMedoids.m和Main.m的代码示例，运行结果展示了算法的运用。

摘要由CSDN通过智能技术生成

国内博客，上介绍实现的K-medodis方法为：

与K-means算法类似。只是距离选择与聚类中心选择不同。

距离为曼哈顿距离

聚类中心选择为：依次把一个聚类中的每一个点当作当前类的聚类中心，求出代价值最小的点当作当前聚类中心。

维基百科上，实现的方法为PAM算法。

分成K类，把每个点都尝试当作聚类中心，并求出当前组合聚类中心点组合的代价值。找到总最小代价值的中心点。

国内实现：

kMedoids.m代码：

function [cx,cost] = kMedoids(K,data,num)
%   生成将data聚成K类的最佳聚类
%   K为聚类数目，data为数据集,num为随机初始化次数
    [cx,cost] = kMedoids1(K,data);
    for i = 2:num
        [cx1,min] = kMedoids1(K,data);
        if min<cost
            cost