前言
聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程,聚类就是一种发现这种内在结构的技术,聚类技术经常被称为无监督学习。
K-medoids聚类和K均值聚类非常类似,它和Kmeans算法唯一不同的地方是中心点确定不同,K-medoids将各个类点与其他点距离和最小的点当作中心,Kmeans将各类点的均值作为中心。K-medoids与Kmeans相比对异常数据点的处理更好,但运行速度也更慢。
01实例分析
实例1:以50个随机二维数据点为例,对其进行聚类
实例2:以50个随机三维数据点为例,对其进行聚类
实例3:以400多条1000多个特征点的曲线为例,对其进行聚类(数据来自数学建模国赛2021E题)
02原理解析
该算法和kmeans算法类似,也是典型的基于距离的聚