kmedioids利用距离矩阵和指定聚类数进行kmedioids聚类

请引用：Emre Güngör，Ahmet Özmen，使用高斯核的基于距离和密度的聚类算法，发表于《Expert Systems with Applications》第69卷，2017年，第10-20页，ISSN 0957-4174。详细信息请参阅原始文章链接：https://doi.org/10.1016/j.eswa.2016.10.022 （http://www.sciencedirect.com/science/article/pii/S095741630553X）。对于聚类数据集和/或形状集，您可以查看：https://cs.joensuu.fi/sipu/datasets/

利用示例数据和程序说明，在MATLAB中执行最短距离聚类分析。

MATLAB QT聚类与核心距离分析。这里提供了一些简单的MATLAB文件，用于执行QT聚类。

距离矩阵包含样本间的距离信息，用于聚类分析，将具有相似特征的样本分组。

KMEANS作为一种常用的数据挖掘聚类算法，可以通过MATLAB高效实现，从而对数据进行分组和分析。

最近在学习密度峰聚类算法，对/DensityPeakCluster的Python代码进行了改进，并打算基于此算法撰写论文。在GitHub上发现了这个项目，下载后加入了中文注释以便今后查阅。我从Alex Rodriguez和Alessandro Laio的论文《Clustering by fast search and find of density peaks》中学习并修复了原始DensityPeakCluster代码中的Bug。

系统聚类的基本性质之一是单调性。所谓单调性指的是在系统聚类法中，随着并类过程的进行，距离逐渐减小。除了中间距离法和重心法外，大多数系统聚类方法都具有这种性质。

第i个和第j个样品之间的距离dij的定义应满足以下四个条件，以确保距离的有效性和合理性。

通过Matlab编程实现L-法，以帮助确定最适合的聚类数（最佳聚类水平）。