3、k-medoids聚类算法与最优簇数确定方法详解

k-medoids聚类算法与最优簇数确定方法详解

1. k-medoids聚类算法简介

k-medoids是一种用于在数据集中寻找自然分组的聚类算法，它与k-means聚类算法非常相似，但也存在一些差异。k-medoids聚类算法的优化函数与k-means略有不同。

1.1 PAM算法步骤

Partitioning Around Medoids（PAM）是执行k-medoids聚类最简单且最有效的算法，其寻找簇中心的步骤如下：
1. 从散点图中选择k个数据点作为簇中心的起始点。
2. 计算这些起始点与散点图中所有点的距离。
3. 将每个点分类到其距离最近的簇中心所在的簇中。
4. 在每个簇中选择一个新的点，使得该簇中所有点到该点的距离之和最小。
5. 重复步骤2，直到簇中心不再变化。

与k-means聚类算法相比，PAM算法仅在步骤1和步骤4有所不同。在大多数实际应用中，k-medoids聚类和k-means聚类的结果几乎相同，但在数据集中存在离群值的特殊情况下，k-medoids聚类更受青睐，因为它对离群值更具鲁棒性。

1.2 k-medoids聚类代码实现

以下是使用R语言的预建库进行k-medoids聚类的代码示例：

# 1. 存储iris数据集的前两列到iris_data变量
iris_data<-iris[,1:2]
# 2. 安装cluster包
install.packages("cluster")
# 3. 导入cluster包
library("cluster")
#