聚类算法K-MEDOIDSK-MEANS有其缺点：产生类的大小相差不会很大，对于脏数据很敏感
改进的算法：k—medoids 方法
这儿选取一个对象叫做mediod来代替上面的中心的作用，这样的一个medoid就标识了这个类
K-medoids和K-means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
步骤：1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）
以下是循环的：2，将余下的对象分到各个类中去（根据与medoid最相近的原则）；3，对于每个类（Oi）中，顺序选取一个Or，计算用Or代替Oi后的消耗—E（Or）
选择E最小的那个Or来代替Oi
这样K个medoids就改变了，下面就再转到2
4，这样循环直到K个medoids固定下来
这种算法对于脏数据和异常数据不敏感，但计算量显然要比K均值要大，一般只适合小数据量
以上内容由大学时代综合整理自互联网，实际情况请以官方资料为准。
