K-medoids基于划分的聚类算法

K-prototypes算法是结合了K-Means与K-modes算法，专门用于处理混合属性数据。它解决了数值属性和分类属性同时存在的情况。具体而言，数值属性通过K-means方法得到聚类中心P1，而分类属性则通过K-modes方法得到聚类中心P2。然后，通过加权组合这两个中心来计算距离度量D，权重a决定了分类属性在计算中的重要性。更新簇中心的方法结合了K-Means与K-modes的更新策略。

聚类的划分算法挺适合入门选手上手的，思路清晰，操作也不复杂。把一堆数据分成几个‘圈子’，圈内的像，圈外的不像，听起来就像是在组织社群，对吧？而且它是无监督学习，不需要你事先告诉它分类标准，比较省心。 划分型的聚类方法，比如K-Means，其实用起来还蛮顺的。数据维度别太高、差异别太模糊，用起来效果还不错。你只要告诉它你想分几类，它就自己帮你动手分好。 做图像？可以参考下这篇图像相似性评估；搞Python？推荐你看看Python 相似性度量的完整实现，代码清晰，图解直观。 还有一个建议哦：如果你是初学者，不妨先在WEKA里拖拖点点试试，像这篇关于无监督聚类的小技巧就挺实用的。熟悉流程后再去写代码

K-子空间算法是一种聚类方法，其思路类似于 K-均值算法，都可以将数据划分到不同的簇中。

这份文档包含了用于图像分割的K均值聚类算法的Matlab程序代码。

高维稀疏相似矩阵的文本聚类方案，老实说还挺实用的。融合了层次聚类和划分聚类的思路，用一个阈值动态选聚类方式，这种设计挺巧，既省计算量，准确率也没掉太多。文本越来越多，尤其中文文本，普通聚类搞不好容易失焦。这个算法考虑了中文分词的特性，对中文聚类友好多。你要是常内容分类、自动标签这类场景，可以试试这个思路，改一改甚至能直接上生产。算法的机制是：先看相似度，如果小于设定阈值就新开一个簇，否则归到最近的那个里头。听起来简单，但跟传统聚类比起来，确实更灵活，适合那种主题跨度大的内容池。想深入挖的可以看看Chameleon 算法，也是主打层次聚类的，组合着用效果更稳。对了，还有一篇讲 K-medoids

K 值聚类算法的原理挺简单，核心就是找中心、分组、再更新中心，循环几次就能把数据聚成类。用 MATLAB 来搞这个还挺顺手的，内置函数kmeans方便，几行代码就能跑起来，响应也快，结果还靠谱。你要是懒得自己从头写，那直接用kmeans(X, K)就完事。 MATLAB 的kmeans支持不少参数，比如'EmptyAction'可以控制遇到空簇怎么。加上'singleton'后，会用一个数据点临时补上，挺实用的，尤其是数据有点稀的时候。 聚类效果不稳定？率是初始化惹的祸。随机选质心嘛，有时候就是不靠谱。你可以试试K-means++初始化，质心选得分散些，跑出来的结果也更稳。这在图像分割里有用，

K均值聚类算法是数据挖掘中常见的无监督学习方法，其簇间数据对象越相异、簇内数据对象越相似，说明聚类效果越好。然而，确定簇个数通常需要有经验的用户设定参数。提出了一种基于SSE和簇的个数度量的自适应聚类方法（简称：SKKM），能够自动确定聚类个数。通过对UCI数据集和仿真数据的实验验证，结果表明改进的SKKM算法能够快速准确地确定数据对象中的聚类个数，提升了算法性能。

基于K-means聚类算法的民航客户细分模型构建 问题背景 客户关系管理中，客户价值评估是关键环节。通过分析航空公司数据仓库中的客户信息，构建精准的客户细分模型，可以有效提升客户价值。 方法与模型 本研究采用数据挖掘技术中的K-means聚类算法，对民航客户进行细分。通过实验分析，将客户划分为3个类别，并针对每类客户制定相应的营销策略。 结果与结论 实验结果表明，K-means聚类算法能够有效识别客户行为特征差异，实现精准的客户细分。基于细分结果制定的营销策略，可将客户价值提升约30%。 模型优势 精准识别客户行为差异 有效提升客户价值 指导制定差异化营销策略 应用领域 民航客户关系管理

基于k 最近邻网络的数据聚类算法挺有意思的，尤其是它提出的SSNCA方法，能从网络聚类角度提升数据聚类的精度。你可以把待聚类的数据转换成k 最近邻网络，用这个算法进行聚类。通过和传统算法（像是c-Means和仿射传播）对比，发现这个算法的聚类精度高一些，虽然目标函数差一点，但效果不错。你如果在做数据聚类时，精度更高，不妨试试看这个方法。另外，如果你需要更多相关的聚类算法资源，可以看看下列链接。比如，有个K-means算法的 MATLAB 源码，你会觉得有用。