k中心点算法

思想：k-means是每次选簇的均值作为新的中心，迭代直到簇中对象分布不再变化。其缺点是对于离群点是敏感的，因为一个具有很大极端值的对象会扭曲数据分布。那么我们可以考虑新的簇中心不选择均值而是选择簇内的某个对象，只要使总的代价降低就可以。

PAM（partitioning around medoid，围绕中心点的划分）是具有代表性的k-medoids算法。

它最初随机选择k个对象作为中心点，该算法反复的用非代表对象（非中心点）代替代表对象，试图找出更好的中心点，以改进聚类的质量。
例子：
空间有5点{A,B,C,D,E}, 各点之间距离关系如表，根据pam算法进行聚类分析。

假设分为2类，以A，B为中心点，初始聚类为{A,C,D}和{B,E}。接下来进行交换（以非代表对象代替代表对象），我们需要计算TC_AC、TC_AD、TC_AE、TC_BC、TC_BD、TC_BE。
TC_ij表示用非中心点j替换中心点i所产生的代价。
计算TC_AC：当A被C替换后，设一指针p遍历所有对象，判断他们是否聚到别的类里。

1. 先看A是否变化：C成为中心点后，A离B比A离C近，故A被划分到B簇里。所产生的代价为d(A,B)-d(A,A)=1(d(i,j)表示i划分到中心点j的距离；差值表示属于新的中心点-属于旧的中心点产生的代价。)
2. 看B是否变化：C成为中心点后，B当然离自己是最近的，不变
3. 看C是否变化：C成为中心点后，C划分到C簇里，代价为d(C,C)-d(C,A)=-2
4. 看D是否变化：C成为中心点后，D离C最近，故划分到C里，代价为d（D,C）-d（D,A）=-1；
5. 看E是否变化：C成为中心点后，E离B最近，为0
   TC_AC就等于上述的代价之和，为1+0-2-1+0=-2。
   同理需要计算TC_AD=-2、TC_AE=-1、TC_BC=-2、TC_BD=-2、TC_BE=-2
   然后选取代价最小的替换，这里有多个选择，随便选择一个就行。选C的话，新的簇为{C,D}和{A,B,E}。新的簇中心为C，B，继续迭代计算直到收敛。

为了判定一个非代表对象o_random是否是当前一个代表对象o_{i的好的替代，对于每一个非中心点p，需要考虑下面4中情况：}

第一种情况：p当前隶属于代表对象o_j（A类中心点），如果o_j被o_random所代替作为代表对象，并且p离其他代表对象o_i（B类的中心点）最近，则p重新分配给o_i。(i!=j)

第二种情况：p当前隶属于代表对象o_j（A类中心点），如果o_j被o_random所代替作为代表对象，并且p离o_random（新的中心点）最近，则p重新分配给o_random。(i!=j)

第三种情况：p当前隶属于代表对象o_i（B类中心点），如果o_j被o_random所代替作为代表对象，并且p仍然离o_i最近，则p不发生变化。(i!=j)

第四种情况：p当前隶属于代表对象o_i（B类中心点），如果o_j被o_random所代替作为代表对象，并且p离o_random最近，则p重新分配给o_random。(i!=j)