聚类分析—k-meansandk-medoids聚类.ppt

* k-中心点聚类方法(续)  1.重新分配给Oi 2. 重新分配给Orandom 3. 不发生变化 4.重新分配给Orandom k-中心点聚类代价函数的四种情况 * k-中心点聚类方法(续) 基本思想： 首先为每个簇随意选择选择一个代表对象; 剩余的对象根据其与代表对象的距离分配给最近的一个簇 然后反复地用非代表对象来替代代表对象, 以改进聚类的质量 聚类结果的质量用一个代价函数来估算, 该函数评估了对象与其参照对象之间的平均相异度 聚类分析—K-meansandK-medoids聚类教材 谢谢 * * * * * * 数据挖掘 Topic3--聚类分析 K-means K-medoids 聚类 * 主要内容 K-means算法 Matlab程序实现 在图像分割上的简单应用 K-medoids算法 k-中心点聚类算法--PAM K-medoids改进算法 * 基于划分的聚类方法 构造n个对象数据库D的划分, 将其划分成k个聚类 启发式方法: k-平均值(k- means)和 k-中心点(k- medoids) 算法 k-平均值(MacQueen’67): 每个簇用该簇中对象的平均值来表示 k-中心点或 PAM (Partition around medoids) (Kaufman Rousseeuw’87): 每个簇用接近聚类中心的一个对象