"KMedoids" （机器学习方法）

Details & Suboptions

  • "KMedoids" 方法，也称为“围绕中心点的分区”（PAM），是一种简单快速的基于中心点的方法. 当聚类的大小相似且局部分布在其中心点（又称 medoids）周围时，"KMedoids" 效果很好. 当聚类的大小差异很大、相互交织或存在异常值时，"KMedoids" 可能会产生较差的结果.
  • 下图展示了将 "KMedoids" 方法应用于玩具数据集的结果：
  • "KMedoids" 方法旨在找到定义 k 个聚类的 k 个中心点. 每个数据点被分配给其最近的中心点. 所有分配给特定中心点的点形成一个聚类.
  • 寻找最佳 k 个中心点的过程与 "KMeans" 相同，只是中心点不是定义为聚类的平均值. 相反，聚类中心点被定义为聚类中最中心的数据点，即与聚类中其他点的平均距离最小的数据点. 由于 "KMedoids" 不像 "KMedoids" 那样计算平均值，它可以在非数值空间中使用（只需要一个距离函数就足够了）.
  • 由于初始中心点是随机选择的，运算结果可能会有所不同.
  • 子选项 "InitialCentroids" 可用于将初始中心点指定为数据点列表. 每个初始中心点必须与现有的数据点相匹配.
  • 可以给出以下子选项：
  • "InitialCentroids" Automatic初始中心点列表

范例

打开所有单元关闭所有单元

基本范例  (3)

使用 "KMedoids" 聚类方法找到恰好四个邻近值的聚类：

创建随机二维向量：

使用 "KMedoids" 方法找到 data 中的聚类：

在字符串列表上训练 ClassifierFunction：

找到聚类分配并按聚类收集元素：

选项  (3)

"InitialCentroids"  (3)

通过指定 "InitialCentroids" 子选项查找聚类：

生成 100 种随机颜色的列表：

使用 "KMedoids" 方法对颜色进行聚类：

使用 "InitialCentroids" 子选项指定初始中心点：

创建随机二维向量：

使用 "KMedoids" 方法找到 data 中的聚类：

通过设置 "InitialCentroids" 查找数据聚类：

可能存在的问题  (1)

创建并可视化带噪声的二维月形训练和测试数据集：

使用 "KMedoids" 方法为两个聚类训练 ClassifierFunction，并在测试集中查找聚类：

可视化聚类表明，"KMedoids"在交织的聚类上表现不佳：