K-means和K-medoids算法程序

资 源 简 介

K-means和K-medoids算法程序

详 情 说 明

K-means和K-medoids是两种经典的聚类算法，常用于无监督学习场景。这两种算法都通过迭代优化的方式将数据样本划分为K个簇，但核心差异在于中心点的选取策略。

K-means算法采用均值作为簇中心，计算效率高但对异常值敏感。其流程通常包含：随机初始化K个中心点，计算每个样本到中心的距离并归类，重新计算各簇的均值作为新中心，重复直至收敛。算法输出类标、最终聚类中心和迭代次数，适合处理数值型数据分布均匀的场景。

K-medoids算法改进在于选取实际样本点作为中心（medoids），增强对噪声的鲁棒性。其实现步骤类似，但中心更新时需遍历簇内样本，选择能使总距离最小的代表点。由于涉及距离矩阵计算，时间复杂度高于K-means，适用于需要排除离群点影响的数据集，如基因表达分析或消费行为分类。

MATLAB实现时需注意：初始中心选择影响收敛速度，可结合kmeans++优化；迭代终止条件常设为中心点变化阈值或最大迭代次数。两种算法均需预先指定K值，可通过肘部法则或轮廓系数评估最佳聚类数。