K-Medoid (PAM) 算法的缺点
Drawbacks of K-Medoid (PAM) Algorithm
我研究过 K-medoid 算法 (PAM) 是一种基于分区的聚类算法，是 K-means 算法的变体。解决了K-means产生空簇和对outliers/noise.
敏感的问题
但是，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)。请问K-medoid算法除了时间复杂度还有其他不足吗
K-Medoid 算法（PAM、CLARA 或 CLARANS）的主要缺点是它们不适合聚类非球形（任意形状）的对象组。
这是因为它们依赖于最小化非中心点对象和中心点（聚类中心）之间的距离——简而言之，它们使用紧凑性而不是连通性作为聚类标准。
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。
我研究过 K-medoid 算法 (PAM) 是一种基于分区的聚类算法，是 K-means 算法的变体。解决了K-means产生空簇和对outliers/noise.
敏感的问题但是，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)。请问K-medoid算法除了时间复杂度还有其他不足吗
K-Medoid 算法（PAM、CLARA 或 CLARANS）的主要缺点是它们不适合聚类非球形（任意形状）的对象组。 这是因为它们依赖于最小化非中心点对象和中心点（聚类中心）之间的距离——简而言之，它们使用紧凑性而不是连通性作为聚类标准。
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。