本文介绍了K-means和K-medoids两种聚类算法的原理和区别。K-means通过距离衡量对象相似性，随机选择初始聚类中心，不断迭代直至中心点稳定。而K-medoids则选择簇内代表点作为中心，使得簇内其他点到它的总距离最小。这两种算法在数据挖掘中广泛应用，适用于不同场景。链接提供了相关代码实现。
一、kmeans聚类算法
(1) kmeans简介
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，J的值没有发生变化，说明算法已经收敛。
(2)算法过程如下
1.计算欧氏距离
2.随机选取k个初始聚类中心点
3.更新簇的中心点
4.迭代,直到收敛
通常停止迭代的条件:为中心点不变。
二、k-medoids聚类算法
k-medoids 算法与K-means算法步骤是一致的，区别在于中心点的选取，在 k-medoids 算法中，我们将从当前 cluster 中选取这样一个点——它到其他所有（当前 cluster 中的）点的距离之和最小——作为中心点。
三、效果
扫一扫
3259
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
