数据挖掘实战聚类分析的资源，包括城市消费因素的数据集和k-means，k-medoids，层次聚类，Som四种聚类分析算法的代码。

这是一个完全矢量化版本的 kmedoids 聚类方法（http://en.wikipedia.org/wiki/K-medoids ）。 它通常比kmeans算法更健壮。 请尝试以下代码进行演示： 关闭所有; 清除; d = 2; k = 3； n = 500； [X,label] = kmeansRnd(d,k,n); y = kmedoids(X,k); plotClass(X,label); 数字; plotClass（X，y）; 输入数据假定为COLUMN向量！ 您只能可视化二维数据！ 此函数现在是 PRML 工具箱的一部分 ( http://www.mathworks.com/matlabcentral/fileexchange/55826-pattern-recognition-and-machine-learning-toolbox )

K-类固醇 K-Medoids是一种聚类算法。 围绕类固醇分区（PAM）算法就是这样的一种K-Medoids实现 先决条件 西皮 脾气暴躁的 入门 from KMedoids import KMedoids 参数 n_cluster ：集群数 max_iter ：最大迭代次数 tol ：公差等级 例子 data = [[2, 6], [3, 4], [3, 8], [4, 7], [6, 2], [6, 4], [7, 3], [7, 4], [8, 5], [7, 6]] k_medoids = KMedoids(n_cluster=2) k_medoids.fit(data)

与K-means算法类似，区别在于中心点的选取，K-means中选取的中心点为当前类中所有点的重心，而K-medoids法选取的中心点为当前cluster中存在的一点，准则函数是当前cluster中所有其他点到该中心点的距离之和最小，这就在一定程度上削弱了异常值的影响，但缺点是计算较为复杂，耗费的计算机时间比K-means多。

两种算法的比较，有数据文件，有源码文件供参考，可直接用

包含了kmeans和kmedoids两种算法的MATLAB代码，每种算法都用多种方法实现了，且均采用了一维数据和二维数据