K-Medoids算法：什么意思、具体方法、优点缺点
K-Medoids算法看起来和K-Means算法比较相似，但是二者是有区别的，即中心点的选取。在K-Means算法中，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，我们将从当前中选取这样一个点——它到其他所有（当前cluster中）点的距离之和最小——作为中心点。
K-Medoids算法的具体方法如下。
（1）任意选取k个对象作为Medoids（O 1 ,O 2 ,…,O i ,…,O k ）。
（2）将余下的对象分到各个类中（根据与Medoid最相近的原则）。
（3）对于每个类（O i ）中，顺序选取一个O r ，计算用O r 代替O i 后的消耗——E（O r ）。选择E最小的O r 来代替O i 。这样k个Medoids就改变了。
（4）重复第（2）、第（3）步直到k个Medoids固定下来。
K-Medoids 算法不容易受到那些由于误差等原因产生的脏数据的影响，但计算量显然要比K-Means大，一般只适合小数据量。
