机器学习之K-medians聚类

K-medians聚类是一种聚类算法，类似于K-means，但是它使用中位数来确定簇的中心，而不是平均值。这种方法在处理数据中存在离群值或异常值时比较有用，因为中位数对离群值不敏感。K-medians的步骤与K-means类似，但在每次迭代中，它使用中位数来更新簇的中心。

K-medians的算法步骤如下：

1. 初始化：随机选择K个数据点作为初始的簇中心。
2. 分配：将每个数据点分配到距离其最近的簇中心所代表的簇。
3. 更新中心：对于每个簇，使用该簇中所有数据点的中位数来更新簇中心。
4. 重复迭代：重复执行分配和更新中心的步骤，直到簇中心不再发生显著变化或达到预定的迭代次数。

K-medians聚类是K-means的一种变体，适用于那些可能包含离群值或形状复杂的数据集。K-medians与K-means的不同之处在于：

• K-medians使用中位数来计算簇中心，因此对离群值更加鲁棒。
• K-medians需要计算点到中心的绝对距离，而K-means使用的是平方距离。

下面是关于K-medians聚类的一些特点：

1. 工作原理：

   • K-medians聚类的工作原理类似于K-means。它也需要指定簇的数量（K值）。
   • 算法的核心在于选择簇的中心（medians），以最小化每个数据点到其所属簇中心的中位数距离之和。

2. 距离度量：