数据挖掘聚类算法之K-MEDOIDS
K-MEANS顾名思义K-均值，通过计算一类记录的均值来代表该类，但是受异常值或极端值的影响比较大，这里介绍另外一种算法K-medodis。看起来和K-means比较相似，但是K-medoids和K-means是有区别的，不一样的地方在于中心点的选取，在K-means中，我们将中心点取为当前cluster中所有数据点的平均值，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。
K-MEANS算法的缺点：
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。
K-MEDODIS的具体流程如下：
- 任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。
- 将余下的对象分到各个类中去（根据与medoid最相近的原则）；
- 对于每个类（Oi）中，顺序选取一个Or，计算用Or代替Oi后的消耗—E（Or）。选择E最小的那个Or来代替Oi。这样K个medoids就改变了。
- 重复2、3步直到K个medoids固定下来。
不容易受到那些由于误差之类的原因产生的脏数据的影响，但计算量显然要比K-means要大，一般只适合小数据量。
摘自：郑来轶博客
数据分析, 数据挖掘
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
