聚类分析---基于中心的k-medoids
2013-12-04 10:18
169 查看
Cluster the following data set of ten objects into two clusters i.e. k = 2.
把下面10个数据对象分成2个簇
Consider a data set of ten objects as follows:
第一步:
我们假设c1=(3,4)和c2=(7,4)是两个中心。
(2,6)到c1(3,4)的距离是3,(7,4)到c2(2,6)的距离是7,因此(2,6)和c1是一个簇。
按照同样的方法。得到:
Cluster1 = {(3,4)(2,6)(3,8)(4,7)}
Cluster2 = {(7,4)(6,2)(6,4)(7,3)(8,5)(7,6)}
Cost((3,4),(2,6))=|3-2|+|6-4|=3
第二步:
选择一个非中心点o’,我们假设o’=(7,3)
用同样的方法划分出两个簇:
然后再计算它总共的开销:
因此前面的那个选择更好。因此我们尝试了一些其他的非中心的点,发现我们的第一个选择是最好的。因此不会重新分配,算法停止。
把下面10个数据对象分成2个簇
Consider a data set of ten objects as follows:
第一步:
我们假设c1=(3,4)和c2=(7,4)是两个中心。
(2,6)到c1(3,4)的距离是3,(7,4)到c2(2,6)的距离是7,因此(2,6)和c1是一个簇。
按照同样的方法。得到:
Cluster1 = {(3,4)(2,6)(3,8)(4,7)}
Cluster2 = {(7,4)(6,2)(6,4)(7,3)(8,5)(7,6)}
Cost((3,4),(2,6))=|3-2|+|6-4|=3
第二步:
选择一个非中心点o’,我们假设o’=(7,3)
用同样的方法划分出两个簇:
然后再计算它总共的开销:
因此前面的那个选择更好。因此我们尝试了一些其他的非中心的点,发现我们的第一个选择是最好的。因此不会重新分配,算法停止。
相关文章推荐
- 划分聚类分析: K均值和基于中心点的划分(PAM)
- Arcgis for JS之Cluster聚类分析的实现(基于区域范围的)
- Arcgis for JS之Cluster聚类分析的实现(基于区域范围的)
- 基于微软案例数据挖掘之Microsoft 顺序分析和聚类分析算法
- 5-Spark高级数据分析-第五章 基于K均值聚类的网络流量异常检测
- 聚类分析(六)基于密度的聚类算法 — OPTICS
- 案例分析:人人网的基于层次聚类的好友推荐
- 基于Spark ML 聚类分析实战的KMeans
- 基于pyspark的对KDD-99数据集的聚类分析实验
- R语言聚类算法之k中心聚类(K-medoids)
- 基于spark实现kmeans的更新聚类中心的关键代码
- 基于Spark ML 聚类分析实战的KMeans
- 基于WEB服务器导致消息中心各组件之间无法正常工作的问题分析与解决
- 5-Spark高级数据分析-第五章 基于K均值聚类的网络流量异常检测
- 科学论文1-软件缺陷预测中基于聚类分析的特征选择方法
- 聚类分析之基于密度的聚类算法(DBSCAN)
- 在R环境下基于鸢尾花数据做聚类分析
- 聚类分析之基于密度的聚类算法OPTICS
- 基于内容的图像检索-聚类分析
- R语言聚类算法之k中心聚类(K-medoids)