K-Medoids Clustering
K-Medoids ressemble à K-Means mais prend de vrais points de données comme centres (médoïdes), permettant le partitionnement avec des métriques de distance arbitraires.
Objectif
Fournir un partitionnement plus robuste au bruit et aux valeurs aberrantes et acceptant des distances arbitraires.
Mécanisme
Le centre (médoïde) est le véritable point de données du cluster qui minimise la distance totale. L'algorithme PAM échange un médoïde contre un non-médoïde dès que cela réduit la distance totale. Plus robuste que K-Means mais plus coûteux en O(n²).
Cas d’usage
- Partitionnement robuste
- Partitionnement à distances non euclidiennes
- Bioinformatique