知识卡片
K-medoids用真实代表
为每个簇挑一个实际样本作代表,使其他成员到该代表的距离和较小。样本间距离已知时即可操作,均值可能无定义时尤其有用。搜索候选代表一般比直接算均值代价高。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- K-means聚类 距离选择与交替聚类 · 查看原书依据
-means算法相比的优点是:在只有所有样本间距离信息的情况下依然可以完成聚类。另外,K-medoids算法对异常样本不十分敏感。
参考来源
- 位置:《机器学习基础》第5章,5.2 K-means算法的基本原理(book-source:extracted/机器学习基础/_epub-src/EPUB/xhtml/chapter34.xhtml)
- 结论依据:原文借「在只有所有样本间距离信息的情况下依然可以完成聚类」处的论述给出本卡所解释的关系或做法。
- 原始内容:-means算法相比的优点是:在只有所有样本间距离信息的情况下依然可以完成聚类。另外,K-medoids算法对异常样本不十分敏感。