K-Medoids Clustering
K-Medoids es como K-Means pero toma puntos de datos reales como centros (medoides), soportando clustering con métricas de distancia arbitrarias.
Propósito
Proporcionar clustering más robusto ante ruido y valores atípicos y que soporta distancias arbitrarias.
Mecanismo
El centro (medoide) es el punto de datos real del clúster que minimiza la distancia total. El algoritmo PAM intercambia un medoide por un no-medoide siempre que ello reduzca la distancia total. Es más robusto que K-Means pero más costoso en O(n²).
Casos de uso
- Clustering robusto
- Clustering con distancias no euclidianas
- Bioinformática