k-medoids和k-means区别

看起来k-medoids和和K-means比较相似，但是K-medoids和K-means是有区别的，不一样的地方在于中心点的选取，在K-means中，我们将中心点取为当前cluster中所有数据点的平均值，在 K-medoids算法中，我们将从当前cluster 中选取这样一个点——它到其他所有（当前cluster中的）点的距离之和最小——作为中心点。

K means里每个cluster的中心点是平均值点

K medoids里每个cluster的中心点是离平均值点最近的样本点

也就是说K medoids的中心点一定是数据集中存在的点

k-means,k-medians和k-medoids的 区别在于如何计算一个中心点代表整个cluster（让N对N的计算变为N对1）：

k-means： 算中心点时，每个属性（attribute）单独算，距离函数是L2norm。每个属性可能是数据中没出现过的值。

k-medians： 算中心点时，每个属性单独算，距离函数是L1norm。每个属性是数据中出现过的值，但可能来至于不动数据点，所以中心点可能在数据中没出现过。这是attribute意义上的median。

k-medoids： 算中心点时，所有属性一起算，距离函数是自定。中心点在数据中出现过。这是数据点意义上的median。

举个例子，2维binary的数据只有三种可能{（0,0），（0,1），（1,0）}。

k-means可能出现（0.6,0.6）的中心点，k-medians可能出现（1,1）的中心点，k-medoids不可能出现（1,1）的中心点。