R语言聚类算法之k中心聚类(K-medoids)
2017-05-08 00:00
197 查看
1.原理解析:
针对K-均值算法易受极值影响这一缺点的改进算法.在原理上的差异在于选择个类别中心点时不取样本均值点,而在类别内选取到其余样本距离之和最小的样本为中心。
2.在R语言中的应用
k中心聚类(K-medoids)主要运用到了R语言中cluster包(R语言内置包)中的pam函数。
pam(x,k,diss=inherits(x,”dist”),metric=”euclidean”,medoids=NULL,stand=FALSE,cluster.only=FALSE,do.swap=TRUE,keep.diss=!diss&&!cluster.only&&n<100,keep.data=!diss&&!cluster.only,pamonce=FALSE,trace.lev=0)
3.以iris数据集为例进行线性判别分析
1)应用模型并查看模型的相应参数
fit_pam=pam(iris[,-5],3)
fit_pam[1:length(fit_pam)]
针对K-均值算法易受极值影响这一缺点的改进算法.在原理上的差异在于选择个类别中心点时不取样本均值点,而在类别内选取到其余样本距离之和最小的样本为中心。
2.在R语言中的应用
k中心聚类(K-medoids)主要运用到了R语言中cluster包(R语言内置包)中的pam函数。
pam(x,k,diss=inherits(x,”dist”),metric=”euclidean”,medoids=NULL,stand=FALSE,cluster.only=FALSE,do.swap=TRUE,keep.diss=!diss&&!cluster.only&&n<100,keep.data=!diss&&!cluster.only,pamonce=FALSE,trace.lev=0)
3.以iris数据集为例进行线性判别分析
1)应用模型并查看模型的相应参数
fit_pam=pam(iris[,-5],3)
fit_pam[1:length(fit_pam)]
相关文章推荐
- R语言聚类算法之k中心聚类(K-medoids)
- R语言聚类算法之k均值聚类(K-means)
- 聚类分析---基于中心的k-medoids
- 生成聚类中心:最大最小距离算法
- R语言进行中文分词和聚类
- R语言实现层次聚类分析
- R语言混合型数据聚类分析案例
- R语言 聚类分析
- R语言进行中文分词和聚类
- R语言聚类算法之期望最大化聚类(Expectation Maximization Algorithm)
- R语言学习之聚类分析
- 利用R语言如何聚类
- R语言︱SNA-社会关系网络—igraph包(中心度、中心势)(二)
- 划分聚类分析: K均值和基于中心点的划分(PAM)
- 基于层次的聚类----AGNES算法使用(R语言)
- R语言 层次聚类(系统聚类)
- R语言聚类
- Kmeans文本聚类:获取weka计算的聚类中心,完成文本聚类
- 基于密度的聚类----DBSCAN算法使用(R语言)
- R语言做聚类分析Kmeans时确定类的个数