Metraipolis › archive › dc_08a47197fccd
K-medoids — Wikipedia
- Source
- Wikipedia (it)
- Original
- https://it.wikipedia.org/wiki/K-medoids
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-11-06T16:19:14.875Z
- SHA-256 of the archived text
ef5ec5e0c23f968d12e62f6ac907562ffcde86da03e16dc0dc876bb06a288c15- Stable URL of this page
https://metraipolis.com/documento/dc_08a47197fccd
How to cite
K-medoids — Wikipedia — Wikipedia (it), https://it.wikipedia.org/wiki/K-medoids (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_08a47197fccd (Metraipolis archive dc_08a47197fccd, sha256 ef5ec5e0c23f968d12e62f6ac907562ffcde86da03e16dc0dc876bb06a288c15)
BibTeX
@misc{dc08a47197fccd,
title = {K-medoids — Wikipedia},
howpublished = {Wikipedia (it)},
url = {https://it.wikipedia.org/wiki/K-medoids},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_08a47197fccd; sha256 ef5ec5e0c23f968d12e62f6ac907562ffcde86da03e16dc0dc876bb06a288c15},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (it), https://it.wikipedia.org/wiki/K-medoids. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
Il K-medoids è un algoritmo di clustering partizionale correlato all'algoritmo K-means. Prevede in input un insieme di n {\displaystyle n} oggetti e un numero k {\displaystyle k} che determina quanti cluster si vogliono in output. Entrambi gli algoritmi sono partizionali (suddividendo il dataset in gruppi) ed entrambi cercano di minimizzare l'errore quadratico medio, la distanza tra punti di un cluster e il punto designato per esserne il centro. In K-means il punto è "artificiale", infatti è il baricentro di tutti i punti nel cluster. Nel K-medoids è usato il punto, tra quelli dati, collocato "più centralmente", in questo modo il centro è uno dei dati osservati. Il K-medoids è più robusto al rumore e agli outlier rispetto al K-means. Un medoid può essere definito come un elemento di un cluster la cui dissimilarità media rispetto a tutti gli oggetti nel cluster è minima, in questo modo esso sarà il punto più centrale di un dato insieme di punti.
Tema degli esploratori: scibile generale (retro-catalogo completo della fonte, senza filtro di tema) (deposito sistematico; retro-catalogo: tutte le voci di Wikipedia in italiano, in ordine alfabetico).
Fonte: Wikipedia in italiano, voce «K-medoids» — https://it.wikipedia.org/wiki/K-medoids
Wikidata Q3191282: «clustering algorithm minimizing the sum of distances to k representatives» (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q3191282
Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/K-medoids?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 152252865, consultata il 2026-11-06T16:07:22.842Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: b8bc0fed49334f545e3bc2bba25ed38de4d3bb0bdc20812439550d08a9d5c094