kmedmoids算法和kmeans算法的优缺点

kmedoids算法和kmeans算法都是聚类算法的经典算法，它们各自有着优缺点。

kmedoids算法的优点：

1. kmedoids算法是基于中心点的聚类算法，相比于kmeans算法，它能够更好地处理噪声点和离群点。
2. kmedoids算法的计算复杂度比kmeans算法低，因为它只需计算中心点与样本之间的距离，而kmeans算法需要计算中心点与样本之间的平方距离。
3. kmedoids算法对于非欧几里得距离也能够进行聚类，比如曼哈顿距离。

kmedoids算法的缺点：

1. kmedoids算法的时间复杂度仍然是O(k*n^2)，当k很大或n很大时，计算量会很大。
2. kmedoids算法对初始中心点的选取比较敏感，不同的初始中心点会导致不同的聚类结果。

kmeans算法的优点：

1. kmeans算法的时间复杂度比kmedoids算法低，因为它只需计算中心点与样本之间的平方距离。
2. kmeans算法对于大数据集的聚类效果比较好。

kmeans算法的缺点：

1. kmeans算法对噪声点和离群点比较敏感，在聚类时容易将其归为某个簇中。
2. kmeans算法只适用于欧几里得距离，不能处理非欧几里得距离，比如曼哈顿距离