k-medoids與k-Means聚類演算法的異同

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：

1. 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.
2. Arbin N, Mokhtar N Z, Suhaimi N S, et al. Comparative Analysis between K-Means and K-Medoids for Statistical Clustering[J].
3. 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.
4. http://blog.pluskid.org/?p=40
5. https://www.youtube.com/watch?v=u1NtKPuXQKo