常见的划分式聚类算法

常见的划分式聚类算法
常见的划分式聚类算法有k-means算法、CLARA算法和k-medoids 算法。

首先，k-means算法是一种常用的划分式聚类算法。

该算法的基本思想是随机选取k个中心点，将数据集中的点按照离它们最近的中心点进行分类，再计算每个簇的新中心，重复以上步骤直到簇的中心不再变化或者达到预设的迭代次数。

该算法的优点在于它的速度快且容易实现，而缺点是它对k值的选择要求比较高，且对于数据集中有噪声和离群点的情况表现不佳。

其次，CLARA算法是一种改进了k-means算法的方法。

该算法是在多次随机抽样的基础上运行k-means算法，以避免出现单次随机抽样得到的聚类结果的不确定性。

该算法的优点在于它对于噪声点的容忍性更高，缺点是它的时间复杂度比较高。

最后，k-medoids算法是一种基于中心点的划分式聚类算法。

该算法与k-means算法最大的不同在于，它的中心点不再是各个簇中心点的平均值，而是簇中最能代表该簇的数据点。

该算法的优点在于它对噪声和离群点表现良好，缺点是它的计算复杂度高于k-means算法。

综上所述，常见的划分式聚类算法有k-means算法、CLARA算法和k-medoids算法。

每种算法都有其优点和限制，选择哪一种算法应该根据具体问题的特点和需要考虑。