Clustering
K-medoids和PAM之間的區別
我知道 PAM 只是一種 K-medoids 算法。不同之處在於新的中心點選擇（每次迭代）：
- K-medoids 選擇離該中心點最近的對像作為下一個中心點
- PAM 嘗試將集群中的所有對像作為一個新的中心點，這將導致較低的 SSE。
如果我理解得很好，PAM 會提供更好的結果，但會佔用更多時間。是這樣嗎？
哪個更好，為什麼？
這讓我感到困惑，這是一個實現 K-medoids 的軟件列表，來自Wikipedia
- ELKI 包括幾個 k-means 變體，包括 k-medoids 和 PAM。
- Julia 在 Clustering 包中包含一個 k-medoid 實現 [5]
- R 包含在 k-means 的“flexclust”包變體和“cluster”包中。
- Gap 一個基於距離的聚類的 embrional 開源庫。
- Java 機器學習。包括一個 k-medoid 實現。
例如，它說 ELKI 包含兩種變體，k-medoids 和 PAM？
例如，首先看一下javaml中的 K-medoids 實現，看起來它找到了最接近 medoid 的對象並嘗試了它。
k-medoids 是問題規範。這可能是一個 np-hard 問題。
PAM 是一種為 k-medoids 問題找到局部最小值的算法。也許不是最佳的，但比窮舉搜索更快。
PAM 對於 k-medoids 就像 Lloyd 算法對於 k-means 一樣。Lloyd 算法是一種快速啟發式算法，可以找到 k-means 的良好解決方案，但它可能無法找到最佳解決方案。