Java_KMedoide聚类算法如何实现类簇的长尾词原理？

本文共计2084个文字，预计阅读时间需要9分钟。

K-中心点算法是对K-Means均值算法的改进，通过利用样本数据可能存在的极大值和极小值来改进聚类效果。这种方法会着重对分布数据中的极值进行聚类，同时使用平方误差和作为评估标准。

K-中心点算法是对K-Means均值算法的改进由于样本数据可能具有很大的极端值对象这些数据会严重的扭曲数据的分布而平方误差和的使用可

K-中心点算法是对K-Means均值算法的改进由于样本数据可能具有很大的极端值对象这些数据会严重的扭曲数据的分布而平方误差和的使用可能会更加恶化这一影响。而k-Medoide算法不是选取簇中对象的均值作为质心而是在每一个簇内选出一个实际的对象来代表该簇这个对象就称之为簇的中心点。

算法实现步骤

1.任意选择k个对象作为k个中心点

2.计算每个非中心点的对象到每个中心点之间的距离

3.把每一个非中心点对象分配到距离它最近的的中心点所代表的簇中

4.在每一个聚簇中按照顺序依次选取点计算该点到当前聚簇中所有点的距离之和最终距离之和最小的点则视为新的中心点

5 重复步骤2-4直到各个聚簇的中心点不在发生改变。