k-medoid(k中心点)聚类算法Python实现

本文探讨了k-means算法对孤立点的敏感性问题,并通过实例对比了k-means与k-medoids算法。k-medoids算法在处理包含孤立点的数据集时表现出优越性。文章介绍了聚类的基本概念,k-medoids算法的工作原理,并提供了Python代码示例,展示了算法在没有孤立点情况下的应用效果。

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

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,此时的确是被分成了三类,只不过两个孤立点算在了一类

那么试一下k中心点算法,初始:

 

运算之后:

 

就这么简单,就验证了k中心点算法的优越之处

1.

评论 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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