实现聚类K均值算法

资 源 简 介

实现聚类K均值算法： K均值算法：给定类的个数K，将n个对象分到K个类中，使得类内对象之间的相似性最大，而类之间的相似性最小。 缺点：产生类的大小相差不会很大，对于脏数据很敏感。 改进的算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1，O2，…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）中，顺序选取

详 情 说 明

在本文中，我们将探讨如何实现聚类K均值算法。这种算法可以将n个对象分为K个类别，使得类别内的对象相似性最大，而类别之间的相似性最小。但是这种方法有一个缺点，即产生的类别大小可能相差很大，并且对于脏数据非常敏感。为了克服这个问题，我们可以使用改进的算法——k-medoids方法。在这个方法中，我们选取一个对象作为medoid来代替上面的中心的作用，这样medoid就标识了这个类别。该算法的步骤如下：首先，任意选取K个对象作为medoids（O1，O2，…Oi…Ok）。然后进行以下循环：将余下的对象分到各个类别中去（根据与medoid最相近的原则），对于每个类别（Oi）中，顺序选取一个Or，计算用Or代替Oi后的代价E（Or）。选择E最小的那个Or来代替Oi。这样K个medoids就改变了，然后再从步骤2开始循环，直到K个medoids固定下来。尽管这种算法对于脏数据和异常数据不敏感，但计算量显然要比K均值要大，一般只适合小规模的数据量。