K-Medoid (PAM) 算法的缺点答案

【问题标题】：Drawbacks of K-Medoid (PAM) AlgorithmK-Medoid (PAM) 算法的缺点
【发布时间】：2018-03-12 20:27:15
【问题描述】：

我研究过 K-medoid 算法 (PAM) 是一种基于分区的聚类算法，是 K-means 算法的一种变体。它解决了K-means产生空簇和对异常值/噪声敏感等问题。

然而，K-medoid 的时间复杂度是 O(n^2)，不像 K-means（劳埃德算法）的时间复杂度是 O(n)。我想问一下K-medoid算法除了时间复杂度之外是否还有其他缺点。

【问题讨论】：

其实k-means的最坏情况运行时间比O(n)差很多；可能与k-medoids没有什么不同。你还需要更加更加精确。您可能正在谈论劳埃德算法和 PAM。 k-means 是问题，而不是解决问题的方法； k-medoids 也一样。
是的，我在这里说的 k-means 是劳埃德算法，而 k-medoids 是围绕 medoids 进行分区。
这个问题是针对 stats.stackexchange.com 的。
"K-medoid 的时间复杂度是 O(n^2)，不像 K-means（劳埃德算法）的时间复杂度是 O(n)。 - 你的意思是每次迭代的时间复杂度是 O(n^2) 和 O(n) 吗？因为K-means的时间复杂度不是O(n)，甚至不接近。
哦，真的吗？那么K-means的复杂度是多少，你知道PAM（K-medoid）的其他缺点吗？

【解决方案1】：

K-Medoid 算法（PAM、CLARA 或 CLARANS）的主要缺点是它们不适合对非球形（任意形状）对象组进行聚类。这是因为它们依赖于最小化非中心对象和中心点（聚类中心）之间的距离 - 简而言之，他们使用紧凑性作为聚类标准而不是连通性。

PAM 的另一个缺点是它可能会在同一数据集上的不同运行中获得不同的结果，因为前 k 个中心点是随机选择的。

除了上述缺点外，还必须提前指定k（簇数）的值。

【讨论】：