KMeans和KMedoid 的Matlab实现
KMeans和KMedoid算法是聚类算法中比较普遍的方法，本文讲了其原理和matlab中实现的代码。
1.目标：
找出一个分割，使得距离平方和最小
2.K-Means算法：
1. 将数据分为k个非空子集
2. 计算每个类中心点（k-means中用所有点的平均值，K-medoid用离该平均值最近的一个点）center
3. 将每个object聚类到最近的center
4. 返回2，当聚类结果不再变化的时候stop
复杂度：
O（kndt）
-计算两点间距离：d
-指定类：O(kn) ,k是类数
-迭代次数上限：t
3.K-Medoids算法:
1. 随机选择k个点作为初始medoid
2.将每个object聚类到最近的medoid
3. 更新每个类的medoid，计算objective function
4. 选择最佳参数
4. 返回2，当各类medoid不再变化的时候stop
复杂度：
O（(n^2)d）
-计算各点间两两距离O（(n^2)d）
-指定类：O(kn) ,k是类数
4.特点：
-聚类结果与初始点有关（因为是做steepest descent from a random initial starting oint）
-是局部最优解
-在实际做的时候，随机选择多组初始点，最后选择拥有最低TSD（Totoal Squared Distance）的那组
===================
下面是我用matlab上的实现：
说明：fea为训练样本数据，gnd为样本标号。算法中的思想和上面写的一模一样，在最后的判断accuracy方面，由于聚类和分类不同，只是得到一些 cluster ，而并不知道这些 cluster 应该被打上什么标签，或者说。由于我们的目的是衡量聚类算法的 performance ，因此直接假定这一步能实现最优的对应关系，将每个 cluster 对应到一类上去。一种办法是枚举所有可能的情况并选出最优解，另外，对于这样的问题，我们还可以用 Hungarian algorithm 来求解。具体的Hungarian代码我放在了资源里，调用方法已经写在下面函数中了。下面给出Kmeans&Kmedoid主函数。
Kmeans.m 函数：
7类聚类：
关于Machine Learning更多的学习资料与相关讨论将继续更新，敬请关注本博客和新浪微博Sophia_qing。
