PAM聚类算法matlab

PAM（Partitioning Around Medoids）聚类算法是一种基于距离的聚类算法，类似于K-Medoids算法。PAM算法通过寻找样本中的中心点（medoids）来划分数据集，而不是像K-Means算法一样使用均值。在PAM算法中，中心点是实际的数据点，而不是像K-Means算法中的虚拟点。

在MATLAB中，可以使用Statistics and Machine Learning Toolbox中的pam函数实现PAM聚类算法。pam函数的基本语法如下：

[idx, medoids, sumd] = pam(X, k)

其中，X是数据集矩阵，k是簇的数量，idx是每个样本所属的簇编号，medoids是每个簇的中心点，sumd是每个簇内所有样本到中心点的距离之和。

下面是一个简单的PAM聚类算法示例：

% 生成随机数据
X = rand(100, 2);

% 调用pam函数进行聚类
[idx, medoids, sumd] = pam(X, 3);

% 可视化聚类结果
gscatter(X(:,1), X(:,2), idx);
hold on;
plot(medoids(:,1), medoids(:,2), 'kx', 'MarkerSize', 8, 'LineWidth', 2);
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Medoids');

在这个示例中，我们生成了一个包含100个随机样本的数据集，并将其分成3个簇。然后，我们使用pam函数对数据进行聚类，并可视化聚类结果。