本文分享自华为云社区《聚类：k-Means 和 k-Medoid》作者： Uncle_Tom 1. 前言 在《对静态分析缺陷报告进行聚类，以降低维护成本》 提到使用 k-Medoid 通过相似缺陷的聚类，来减少程序员对大量缺陷分析的工作量。 k-Medoid 和传统的 k-Means 聚类算法有什么差别呢？ 简单的说，K-Medoid 算法是一种基于 K-Means 算法的聚类方法，它

1. 前言 在《对静态分析缺陷报告进行聚类，以降低维护成本》 提到使用 k-Medoid 通过相似缺陷的聚类，来减少程序员对大量缺陷分析的工作量。 k-Medoid 和传统的 k-Means 聚类算法有什么差别呢？ 简单的说，K-Medoid 算法是一种基于 K-Means 算法的聚类方法，它通过选择数据集中的点作为中心（medoid），而不是计算均值来代表聚类中心。这种方法对异常值和噪声更

K-Means和K-Medoids 1.问题： 给定数据点集P，d-by-N，将这些数据点集聚类到K类中去 同时要求下式值最小：Sk是聚类形成的数据集合，mk是每个类集合的“中心”——K-Means与K-Medoids唯一不同的地方 演示图： 2.K-Means算法： 1. 将数据分为K个非空子集 2. 计算每个类中心 3. 将每个数据点 xj 到最近的 mk 4. 返回2，当聚类结果(如