K-medoids聚类使用预先计算的矩阵

使用Python中的sklearn_extra.cluster.KMedoids实现K-medoids聚类，该函数允许使用预先计算的距离矩阵进行聚类。以下是基于Iris数据集的示例代码：

from sklearn.datasets import load_iris
from sklearn_extra.cluster import KMedoids
from sklearn.metrics import pairwise_distances

# 加载数据集并计算距离矩阵
X = load_iris().data
D = pairwise_distances(X)

# 定义K-medoids模型
kmedoids = KMedoids(n_clusters=3, metric='precomputed', random_state=0)

# 训练模型
kmedoids.fit(D)

# 打印聚类结果
print(kmedoids.labels_)

在以上代码中，首先使用load_iris()函数加载Iris数据集，然后使用pairwise_distances()函数计算出数据集X的距离矩阵D。接下来，使用KMedoids()函数定义K-medoids聚类模型，其中metric参数设置为'precomputed'表示使用预先计算的距离矩阵进行聚类。然后，使用fit()函数对模型进行训练，并使用labels_属性打印出聚类结果。