K-Medoids Clustering
K-Medoids ähnelt K-Means, nimmt aber echte Datenpunkte als Zentren (Medoide) und unterstützt Clustering mit beliebigen Distanzmetriken.
Zweck
Ein gegenüber Rauschen und Ausreißern robusteres Clustering liefern, das beliebige Distanzen unterstützt.
Mechanismus
Das Zentrum (Medoid) ist der echte Datenpunkt im Cluster, der die Gesamtdistanz minimiert. Der PAM-Algorithmus tauscht einen Medoid gegen einen Nicht-Medoid, wann immer das die Gesamtdistanz senkt. Robuster als K-Means, aber mit O(n²) teurer.
Anwendungsfälle
- Robustes Clustering
- Nicht-euklidisches Distanz-Clustering
- Bioinformatik