发展：

们每次选簇的平均值作为新的中心，迭代直到簇中对象分布不再变化。因此一个具有很大极端值的对象会扭曲数据分布，造成算法对极端值敏感

在聚类分析中，异常值通常会引起问题，因为它们可能会被分配到一个独立的聚类，从而干扰正常的聚类结果。这可能导致聚类算法产生不合理或不稳定的结果

定义：

K-Medoids（中心点）算法不选用平均值，转而采用 簇中位置最中心的对象，即中心点（medoids） 作为参照点，算法步骤也和 K-means 类似，其实质上是对 K-means算法的改进和优化。

medoids怎么得到的？

K-medoids使用中心点到聚类内的点的距离之和来衡量聚类的质量

算法步骤

1. 初始化：选择K个数据点作为初始的中心点，这些点可以从数据集中随机选择，或者采用一些启发式方法来选择。

2. 分配：将每个数据点分配到距离其最近的中心点所代表的聚类。

3. 选择Medoid：对于每个聚类，计算所有数据点到其中每一个点的距离之和。然后，选择代表该聚类的数据点，以最小化这个距离之和。这个代表点就是所谓的"medoid"。

4. 更新中心点：将选择的medoids作为新的聚类中心。

5. 重复步骤2和步骤4，直到聚类不再发生变化或者达到预定的迭代次数。

衍生算法PAM

PAM算法（Partitioning Around Medoids）是为了解决K-medoid算法中的初始Medoid选择问题而出现的。K-medoid算法是一种用于聚类分析的算法，其核心概念是将数据点分为K个不同的聚类，其中每个聚类由一个数据点（Medoid）代表。这个算法需要选择初始的Medoid，以便构建聚类。

PAM算法的主要作用是改进初始Medoid的选择，以便更好地寻找数据的内在结构和生成质量更高的聚类。具体来说，PAM算法通过以下方式解决K-medoid中的问题：

1. 初始Medoid的选择：K-medoid算法最初的Medoid选择通常是随机的，这可能会导致算法收敛到次优的聚类解决方案。PAM算法引入了更智能的Medoid初始化方法，以选择更有代表性的初始Medoids，从而改进了算法的性能。

2. Medoid的更新：K-medoid算法中，Medoids会随着算法的迭代而更新，PAM算法采用一种更有效的方法来选择新的Medoid，以减小聚类的代价（损失函数）。