k-medoids与k-Means聚类算法的异同

K-Means	K-Medoids
初始据点随机选取	初始随机据点限定在样本点中
使用Means（均值）作为聚点，对outliers（极值）很敏感	使用Medoids(中位数)作为聚点
对数据要求高，要求数据点处于欧式空间中	可适用类别（categorical）类型的特征——（4）
时间复杂度：O(n*k*t)，t为迭代次数	时间复杂度：O(n^2 *k*t)，t为迭代次数——（4）
K-Means 算法对小规模数据集较高效（efficient  for  smaller  data  sets）	K-Medoids算法对大规模数据性能更好，但伸缩性较差——（3）
都有可能陷入局部最优解的困境之中
K的含义相同,都需要开始人为设定簇数目
都是无监督算法

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