k-medoids的动机

Question

为什么会使用kmedoids algoirthm而不是kmeans？这只是事实 可以在kmeans中使用的指标数量非常有限，还是还有更多？

是否有数据示例，选择最佳代表更有意义 来自数据的集群而不是来自R ^ n？

Answer 1

k均值的问题在于它无法解释。通过可解释性，我的意思是模型也应该能够输出其导致一定输出的原因。 让我们举个例子。 假设有一个食品评论数据集，它具有两个可能性，即有+ ve评论或-ve评论，所以我们可以说我们将有k = 2，其中k是聚类数。现在，如果使用k均值，则算法中的第三步是更新步骤，在该步骤中，将根据特定群集中点的平均距离来更新k形心。我们选择的示例是文本问题，因此您还将应用某种文本功能的向量方案，例如BagOfWords（BOW），word2vec。现在，对于每条评论，您都会获得相应的向量。现在，您将在运行k均值之后获得的生成质心c_i将是该群集中存在的矢量的平均值。现在有了该质心，您将无法解释太多，或者我什么也不想说。

但是对于相同的问题，您可以应用k-medoids，其中您可以从数据集本身中选择k-质心/ medoids。可以说，您从数据集中选择x_5点作为第一个medoid。由此，由于现在您拥有被称为“ medoid /质心”的评论本身，因此您的可解释性将会提高。因此，在k型质心中，您可以从数据集本身中选择质心。 这是引入k药物的首要动机

来到指标部分，您可以应用所有应用于k均值的指标

希望这会有所帮助。

Answer 2

在K-Means中使用距离函数，例如欧几里德距离或曼哈顿距离。 相反，通过执行K-medoid聚类，唯一需要的是具有成对距离函数。 这个事实非常适合具有高维度的复杂数据类型和关系行。

高维度问题

在标准聚类库和k-means算法中，距离计算阶段可能花费大量时间扫描属于实例的整个属性向量;例如，如果我们有一个标准的Tf-Idf文档表示，在计算余弦相似度时，距离函数扫描出现在整个文档集合中的所有可能单词，在很多情况下可以由数百万个条目。这就是为什么在这个领域，一些作者[1]建议将所考虑的词语限制为该语言中N个最常用单词的子集。

编辑： 通过使用k-medoids，不需要将文档表示和存储为字频率的向量。 例如： - 作为表示可以使用单词集合，如果单词在文档中出现至少一次，则集合中存在单词; - 作为距离度量，可以使用Jaccard Distance来计算文档成对距离。

矢量表示，可以长到字典中的单词数。

异构性和复杂数据类型。

有许多域可以更好地抽象实例的实现：

• Graph的节点聚类;
• 汽车驾驶行为，代表GPS路线;

编辑： 通过处理这些复杂的数据类型，您可以尝试并找到新的距离度量，这些度量可以更好地适应正确的数据域。

[1] Christopher D. Manning，Prabhakar Raghavan和HinrichSchütze。 2008.信息检索简介。剑桥大学出版社，纽约，纽约，美国。

来源：https://github.com/eracle/Gap

Answer 3

在k-means质心（聚类中心）之间的区别在于计算为包含在聚类中的向量的平均值，而在k-medoids中，medoid（聚类中心）是从最靠近质心的数据集中记录的，因此如果需要通过记录您使用k-medoids的数据来表示聚类中心，否则我应该使用k-means（但这些算法的概念是相同的）