K-medodis与K-means比较相似，但是K-medoids和K-means是有区别的，不一样的地方在于中心点的选取，在K-means中，我们将中心点取为当前cluster中所有数据点的平均值，在 K-medoids算法中，我们将从当前cluster 中选取这样一个点——它到其他所有（当前cluster中的）点的距离之和最小——作为中心点。K-medodis算法不容易受到那些由于误差之类的原因产生的脏数据的影响，但计算量显然要比K-means要大，一般只适合小数据量。 K-medoids 主要运用到了R语言中cluster包中的pam函数

K中心点聚类

• cluster::pam 
• fpc::pamk

  cluster::pam 

    Usage:  pam(x, k, diss = inherits(x, "dist"), metric = "euclidean",  medoids = NULL, stand = FALSE, cluster.only = FALSE,   do.swap = TRUE,   keep.diss = !diss && !cluster.only && n < 100,   keep.data = http://www.mamicode.com/!diss && !cluster.only, pamonce = FALSE, trace.lev = 0)

• x：聚类对象
• k:  是聚类个数 ( positive integer specifying the number of clusters, less than the number of observations)

    示例代码   

> newiris <- iris[,-5]
> library(cluster)
> kc <- pam(x=newiris,k=3)
> #kc$clustering
> #kc[1:length(kc)]
> 
> table(iris$Species, kc$clustering)
            
              1  2  3
  setosa     50  0  0
  versicolor  0 48  2
  virginica   0 14 36

  小结：

   针对K-均值算法易受极值影响这一缺点的改进算法.在原理上的差异在于选择个类别中心点时不取样本均值点,而在类别内选取到其余样本距离之和最小的样本为中心。

fpc::pamk 

     相比于pam函数，可以给出参考的聚类个数， 参考 kmenas 与 kmeansrun

    Usage:  pamk(data,krange=2:10,criterion="asw", usepam=TRUE,   scaling=FALSE, alpha=0.001, diss=inherits(data, "dist"),    critout=FALSE, ns=10, seed=NULL, ...)

 示例代码  

newiris <- iris
newiris$Species <- NULL
library(fpc)
kc2 <- pamk(newiris,krang=1:5)
plot(pam(newiris, kc2$nc))

 图例 

fpc包还提供了另一个展示聚类分析的函数plotcluster(),值得一提的是，数据将被投影到不同的簇中

plotcluster(newiris,kc2$cluster)

待验证：

    为什么仅出现两个聚类？

参考资料： 

• http://blog.csdn.net/helen1313/article/details/38111125

ML: 聚类算法R包-K中心点聚类