Python数据分析教程08：Kmedoids聚类原理及python编程实现

已于 2023-04-12 09:51:04 修改
阅读量1.1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Python数据分析科学专栏 文章标签： 聚类 python 数据分析
于 2023-04-11 23:08:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45624300/article/details/130095522
本文详细介绍了Kmedoids聚类算法与Kmeans的区别，Kmedoids的聚类原理，通过实例展示了Kmedoids如何将数据分为两类，并提供了Python实现Kmedoids聚类的代码示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

1 与Kmeans最大的区别是

2 Kmedoids聚类的原理

3 Kmedoids聚类的例子

 4 Kmedoids聚类实现代码

1 与Kmeans最大的区别是

与Kmeans最大的区别是：Kmeans的聚类中心是聚类的质心，这个质心一般不会对应数据中的实体点；而Kmedoids聚类的聚类中心是切实地对应着数据中的某个实体点。

如下图中，红色圆圈表示kmedoids的聚类中心，红色菱形表示Kmeans的聚类中心

2 Kmedoids聚类的原理

确定聚类数目 n 后，kmedoids聚类的过程分为以下几步：

  1. 从数据中随机选择 n  个数据点，计算剩余点的每个点距离这选中的 n 个点中的哪个点最近，就将该点分到最近的聚类中心点
  2. 计算当前聚类的成本，将其记录为最优成本
  3. 再从数据中随机选择 n  个数据点，计算剩余点的每个点距离这选中的 n 个点中的哪个点最近，就将该点分到最近的聚类中心点
  4. 计算当前聚类的成本，
    1. 如果比最优成本好，就更新聚类结果；
    2. 如果连续连续两次聚
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Kmeans与KMedoids聚类对比以及python实现
井底小蛙的博客
01-22 712
K-Means 和 K-Medoids 都是常用的聚类算法，它们各有优缺点，适用于不同的场景。K-Means 算法计算效率高，适用于大规模数据集和凸形簇，但对噪声和异常值敏感。K-Medoids 算法对噪声和异常值不敏感，适用于小规模数据集和任意形状的簇，但计算复杂度较高。在实际应用中，需要根据具体问题选择合适的算法。
聚类分析：使用Python对Iris数据集进行简单的K均值聚类
最新发布
m0_62110645的博客
04-29 1093
鸢尾花数据集是一个经典的多变量数据集，由英国统计学家罗纳德·费舍尔于1936年收集。该数据集包含了150个样本，每个样本代表一种鸢尾花，共分为三类：山鸢尾（setosa）、变色鸢尾（versicolor）和维吉尼亚鸢尾（virginica）。每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。聚类分析是一种强大的数据分析技术，可以帮助我们发现数据集中的潜在结构和模式。通过本文的学习，读者可以掌握基本的聚类分析方法，并将其应用于自己的数据集中。
集群：KMeans，KMedoids，朴素贝叶斯分类器的Python实现
02-25
聚类
python 实现简单的KMediod
qq_43928549的博客
04-04 1480
K-medoids 是 K-means 算法的一种改进算法，可以解决 K-means 中不稳定的问题，是一种基于聚类中心的距离度量方法，因此也被称为 partitioning around medoids （PAM）。本篇博客将介绍 K-medoids 算法的原理和实现过程，并用 Python 实现一个 K-medoids 算法。
python多线程实现kmeans,（数据科学学习手札13）K-medoids聚类算法原理简介&Python与R的实现...
weixin_39843738的博客
03-26 525
前几篇我们较为详细地介绍了K-means聚类法的实现方法和具体实战，这种方法虽然快速高效，是大规模数据聚类分析中首选的方法，但是它也有一些短板，比如在数据集中有脏数据时，由于其对每一个类的准则函数为平方误差，当样本数据中出现了不合理的极端值，会导致最终聚类结果产生一定的误差，而本篇将要介绍的K-medoids(中心点)聚类法在削弱异常值的影响上就有着其过人之处。与K-means算法类似，区别在于中...
聚类 k-means k-medoids代码实现
01-06
数据挖掘k-means k-medoids python代码实现 含测试数据
kmedoids-Python-master.zip
03-26
与K-means算法类似，区别在于中心点的选取，K-means中选取的中心点为当前类中所有点的重心，而K-medoids法选取的中心点为当前cluster中存在的一点，准则函数是当前cluster中所有其他点到该中心点的距离之和最小，这就在一定程度上削弱了异常值的影响，但缺点是计算较为复杂，耗费的计算机时间比K-means多。
Python数据挖掘核心算法：分类、聚类、回归及关联分析
本知识点将深入探讨标题中提到的几种重要的数据挖掘算法：关联算法Apriori、分类算法BP（反向传播算法）和Adboost（自适应增强算法）、KNN（K-近邻算法）、聚类算法kmeans、kmedoids、Clarans以及回归算法线性回归，...
python实现聚类算法之k-medoids_（数据科学学习手札13）K-medoids聚类算法原理简介&Python与R的实现...
weixin_39822184的博客
12-16 2135
前几篇我们较为详细地介绍了K-means聚类法的实现方法和具体实战，这种方法虽然快速高效，是大规模数据聚类分析中首选的方法，但是它也有一些短板，比如在数据集中有脏数据时，由于其对每一个类的准则函数为平方误差，当样本数据中出现了不合理的极端值，会导致最终聚类结果产生一定的误差，而本篇将要介绍的K-medoids(中心点)聚类法在削弱异常值的影响上就有着其过人之处。与K-means算法类似，区别在于中...
Python K中心点聚类kmediods聚类代码
weixin_42434055的博客
05-22 5610
import numpy as np from numpy import * import sys from sklearn import metrics import pandas as pd import matplotlib.pyplot as plt def fit_plot_Kmean_model(X): data = pd.read_csv(X, header=None, e...
Python从零实现 K-mean 和K-中心点聚类算法的样本数据
12-26
Python从零实现 K-mean 和K-中心点聚类算法的样本数据
西电数据挖掘作业——k中心聚类python3实现
03-13
使用的是python3版本，自己编写的，能够完美运行，只需要运行主程序就行，数据啥的都准备好了
（数据科学学习手札13）K-medoids聚类算法原理简介&Python与R的实现
weixin_30293135的博客
03-18 1518
前几篇我们较为详细地介绍了K-means聚类法的实现方法和具体实战，这种方法虽然快速高效，是大规模数据聚类分析中首选的方法，但是它也有一些短板，比如在数据集中有脏数据时，由于其对每一个类的准则函数为平方误差，当样本数据中出现了不合理的极端值，会导致最终聚类结果产生一定的误差，而本篇将要介绍的K-medoids（中心点）聚类法在削弱异常值的影响上就有着其过人之处。 与K-means算法类似，区别在...
K-medoids聚类算法
weixin_44981864的博客
09-17 1006
K-medoids聚类算法是一种基于K-means算法的改进版本，它使用实际数据点作为聚类中心（也称为medoids）
K-means算法与K-mediods算法 python实现
09-20 1663
一、K-mediods 算法步骤： 1、随机选取k个样本作为中心点2、一层遍历每一个样本，二层遍历每一个中心样本，找出离该样本最近的中心样本3、遍历中心样本，该中心样本划分出来的该簇样本，遍历该簇样本，找出离所有样本距离最小的样本，代替旧中心4、直到达到指定训练次数或者样本分类结果不再变化，结束训练 1 import numpy as np 2 from numpy im...
python实现K聚类算法
weixin_33981932的博客
09-09 247
参考：《机器学习实战》- Machine Learning in Action 一、 基本思想  聚类是一种无监督的学习，它将相似的对象归到同一簇中。它有点像全自动分类。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。之所以称作K-均值，是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。  K-均值算法的工作流程是这样的。首先，随机确定k个初始点作为质心。...
聚类算法学习-kmeans，kmedoids，GMM
weixin_33928137的博客
09-23 344
GMM参考这篇文章：Link   简单地说，k-means 的结果是每个数据点被 assign 到其中某一个 cluster 了，而 GMM 则给出这些数据点被 assign 到每个 cluster 的概率，又称作 soft assignment 。   通常单个点的概率都很小，许多很小的数字相乘起来在计算机里很容易造成浮点数下溢，因此我们通常会对其取对数，把乘积变成加和 ，得到 log-like...
数据挖掘实验：k_means、k_medoids聚类算法的实现（Python）
ljn1124的博客
06-24 3448
目录 前言 一、k-means算法 二、k-medoids算法 三、实验结果展示 总结 前言 本文是基于划分的聚类算法研究与实现，实现了k均值及k中心点聚类算法，并在数据集上完成测试。用户输入k的值，可对数据集中的数据进行聚类。 一、k-means算法 k-means算法使用簇的均值点作为簇的形心。 首先在数据集中随机选择k个点作为k个簇的初始均值，对于数据集中的每个点，根据欧式距离将其分配至距离最近的簇。然后k均值算法开始迭代，对于每个簇，使用该簇内的点计算均值作为新的簇...
k-medoid(k中心点)聚类算法Python实现
热门推荐
weixin_39220714的博客
12-06 3万+
k-means算法有个很大的缺点，就是对孤立点敏感性太高，孤立点即是脱离群众的点，与众不同的点，即在显示中与其他点不是抱在一团的点。 为了体现两者的不同，我特意温习了一下知识，在构造初始点的时候，自己定义加入了几个孤立点，使用k-means算法跑的效果如下： 一开始的所有点：（可以看出其他点是混在一起有许多分类的） 使用k-means算法运行，定义3个中心点： 可以看到...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

运筹码仓

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值