|
K-Means |
K-Medoids |
|
初始據點隨機選取 |
初始隨機據點限定在樣本點中 |
|
使用Means（均值）作為聚點，對outliers（極值）很敏感 |
使用Medoids(中位數)作為聚點 |
|
對資料要求高，要求資料點處於歐式空間中 |
可適用類別（categorical）型別的特徵——（4） |
|
時間複雜度：O(n*k*t)，t為迭代次數 |
時間複雜度：O(n^2 *k*t)，t為迭代次數——（4） |
| K-Means 演算法對小規模資料集較高效（efficient for smaller data sets） |
K-Medoids演算法對大規模資料效能更好，但伸縮性較差——（3） |
|
都有可能陷入區域性最優解的困境之中 |
|
|
K的含義相同,都需要開始人為設定簇數目 |
|
|
都是無監督演算法 |
|
References：
- Velmurugan T. Efficiency of K-Means and K-Medoids algorithms for clustering arbitrary data points[J]. International Journal of Computer Technology & Applications, 2012, 3(5): 1758-64.
- Arbin N, Mokhtar N Z, Suhaimi N S, et al. Comparative Analysis between K-Means and K-Medoids for Statistical Clustering[J].
- Velmurugan T, Santhanam T. Computational complexity between K-means and K-medoids clustering algorithms for normal and uniform distributions of data points[J]. Journal of computer science, 2010, 6(3): 363.
- http://blog.pluskid.org/?p=40
- https://www.youtube.com/watch?v=u1NtKPuXQKo