[Javascript] 資料分群: k-medoids

k-medoids

https://github.com/stewart-r/k-medoids

Kmeans分群演算法 與 Silhouette 輪廓分析

https://jimmy-huang.medium.com/kmeans%E5%88%86%E7%BE%A4%E6%BC%94%E7%AE%97%E6%B3%95-%E8%88%87-silhouette-%E8%BC%AA%E5%BB%93%E5%88%86%E6%9E%90-8be17e634589

[AI] Clustering決定分群數的方法

https://medium.com/@pahome.chen/clustering%E6%B1%BA%E5%AE%9A%E5%88%86%E7%BE%A4%E6%95%B8%E7%9A%84%E6%96%B9%E6%B3%95-abedc1d81ccb

R筆記–(9)分群分析(Clustering)

https://rpubs.com/skydome20/R-Note9-Clustering

Partitional Clustering 切割式分群 | Kmeans, Kmedoid | Clustering 資料分群

https://www.jamleecute.com/partitional-clustering-kmeans-kmedoid/

[機器學習首部曲] 聚類分析 K-Means / K-Medoids

https://pyecontech.com/2020/05/19/k-means_k-medoids/

機器學習：K-means和K-medoids對比[4]

https://blog.csdn.net/databatman/article/details/50445561

k-medoids與k-Means聚類演算法的異同

https://iter01.com/495959.html

k-medoids是一款JavaScript所撰寫的K-Medoid分群套件。K-Medoid是一種向量量化方法的分類方式，類似K-Means，屬於切割式分群(Partitional Clustering)。因為K-Medoid採用的新中心點決定方式為計算群內距離和最小的方式(可以想像成中位數的腳色)，因此較不容易受到極端值的影響，且這樣的計算方式讓K-Medoid不僅僅可以處理數值型資料，還可以處理類別型的資料，可謂K-Means的進階版。

然而K-Medoid的計算量是非常龐大的，每一次的中心點移動都需較再計算兩兩樣本之間的距離以及總和，尤其在面對龐大資料量的時候，會消耗相當大的記憶體。因此相較於K-Medoid，K-Means在速度上具有強大的優勢，並且適用於龐大的資料量，而K-Medoid僅適用於小量資料。而且當樣本多的時候，少數幾個噪音對K-Means的質心影響也沒有想像中的那麼重，所以K-Means的應用明顯比K-Medoid多的多。

#k-medoids, K-Medoid, 聚類, 分群