R：pam函数（package：cluster）> Library(cluster)>pam(d, k=2)例5（欧洲语言）欧洲11种语言k-medoid聚类，应用k-medoids#距离矩阵d=10-s，s:similaritymatrix>pam(d,4)#k=4(4类)Medoids:ID[1,]“2”“Norwegian”日耳曼语中心Norwegian和Italian分别是日耳[2,]“g”“Italian””拉丁语中心曼和拉丁的中心。拉丁源于罗[3,]"10""Hungarian"马，日耳曼源于挪威？[4,] "11""Finnish"Clustering vector:EnglishNorwegianDanishDutchGerman11111FrenchSpain ItalianPolishHungarian Finnish22223416
16 例5（欧洲语言） 欧洲11种语言k-medoid聚类, 应用k-medoids #距离矩阵 d=10-s，s: similarity matrix > pam(d,4) # k=4 (4类) Medoids: ID [1,] “2” “Norwegian” 日耳曼语中心 [2,] “8” “Italian” 拉丁语中心 [3,] "10" "Hungarian" [4,] "11" "Finnish" Clustering vector: English Norwegian Danish Dutch German 1 1 1 1 1 French Spain Italian Polish Hungarian Finnish 2 2 2 2 3 4 Norwegian和Italian分别是日耳 曼和拉丁的中心。拉丁源于罗 马，日耳曼源于挪威？ R: pam 函数（package：cluster） > Library(cluster) > pam(d, k=2)
K-均值聚类（K-meansclustering）K-means聚类方法将对象划分为K类，使得类内距离极小（类间距离最大）各类的中心定义为类内样本平均值（Lloyd,1957;MacQueen，1967）。K-means方法应用非常广泛。K-means方法与K一medoid算法类似，前者主要应用于有原始数据的情形，而后者方法适用于没有原始数据而只有距离矩阵的情形。K-means方法中各类中心为类内样本平均，而K-medoid的中心是一个研究对象。平方和引理：假设xx,ERP,K≥2,假设C...Ck是指标集I=,2.n的分解一个划分(即C,Ck互斥，且UJC,=I)．则总平方和可分解为向量模平方形式)组内平方和W和组间平方和B：SS, =x,-x=区,-x, I +区,-x =W+BK=liEC=lEC17
17 𝐾-均值聚类 (𝐾-means clustering) 𝐾-means 聚类方法将对象划分为𝐾类，使得类内距 离极小(⇔类间距离最大），各类的中心定义为类内 样本平均值（Lloyd,1957; MacQueen, 1967） 。 𝐾-means 方法应用非常广泛。 SS W B W B C C C I R K C C I n k K k i C i k K k i C i n i T K i K p n k k 2 1 2 1 2 1 1 1 1 || || || || || || ) : ( ,., ). ( ,., , 2, ,., 1,2,., x x x x x x x x 平方形式 组内平方和 和组间平方和 一个划分 即 互斥，且 则总平方和可分解为 向量模 引理：假设 假设 是指标集 的 平方和 分解 K−means方法与K−medoid算法类似, 前者主要应用于有原始数 据的情形，而后者方法适用于没有原始数据而只有距离矩阵的 情形。 K-means方法中各类中心为类内样本平均，而K-medoid 的中心是一个研究对象