两种基于划分的聚类算法：K-means和K-medoids

两种基于划分的聚类算法：K-means和K-medoids

【正所谓 “物以类聚，人以群分”，聚类聚类，就是把具有相同特性的“东西”聚为一类】

基于划分的聚类算法—思想

假设有一堆数据点（很多个），目的是要将这些点分为K个类（这个K你得事先知道）。
主要思想如下：
1：初始K个点作为初始的“代表点”。
2：计算那一堆散点到这个K个点的距离（也可以是其他度量方式），离K个点中的哪一个近，就把这个数据归到哪一类。至此，可以形成K个类。
3：重新计算“代表点”。
4：重复以上2到3的步骤，直至收敛（收敛的判断方式很多，比如代表点不在变化，损失函数不再变化等）

基于划分的聚类算法—K-means和K-medoids

K-means和K-medodis的不同之处主要就在于第3步不一样，计算“代表点”的方式不一样。

K-means聚类算法

该算法主要是通过求解对应类中所有点的Mean作为“代表点”，并参与迭代。
Mean的求法：

$$Mean=所有点加起来/对应类中点的个数$$

K-means聚类算法

该算法主要是通过求解对应类中所有点的Medoid作为“代表点”，并参与迭代。
Medoid具有的性质是：该Medoid到对应类中所有点的距离之和最小。具体的求解方法：

1. 计算对应类中所有点到其他所有点的距离之和（强调一下是在对应类中，不要算到别人的类中去了）。
2. 找出这个拥有最小距离之和的点，没错它就是你要找的Medoid。

其他的一些基于划分的聚类算法

主要有：k-modes、k-medians、kernel k-means、fuzzy c-means …