K-Medoids在处理异常值方面真的比K-Means更好吗？ （示例显示相反）

Question

K-Medoids 和 K-Means 是两种流行的分区聚类方法。我的研究表明，当存在异常值时，K-Medoids在聚类数据方面更胜一筹（source）。这是因为它选择数据点作为聚类中心（并使用曼哈顿距离），而K-Means选择任何最小化平方和的中心，因此它更受异常值的影响。

这是有道理的，但是当我使用这些方法对组成数据进行简单测试时，并不表示使用Medoids更好地处理异常值，事实上它有时候更糟 。我的问题是：在下面的测试中哪里出错了？也许我对这些方法有一些基本的误解。

演示:(有关图片，请参阅here） 首先，一些数据（名为'comp'）构成了3个明显的聚类

x <- c(2, 3, 2.4, 1.9, 1.6, 2.3, 1.8, 5, 6, 5, 5.8, 6.1, 5.5, 7.2, 7.5, 8, 7.2, 7.8, 7.3, 6.4)
y <- c(3, 2, 3.1, 2.6, 2.7, 2.9, 2.5, 7, 7, 6.5, 6.4, 6.9, 6.5, 7.5, 7.25, 7, 7.8, 7.5, 8.1, 7)

data.frame(x,y) -> comp

library(ggplot2)
ggplot(comp, aes(x, y)) + geom_point(alpha=.5, size=3, pch = 16)

它与'vegclust'软件包集群在一起，可以同时使用K-Means和K-Medoids。

library(vegclust)
k <- vegclust(x=comp, mobileCenters=3, method="KM", nstart=100, iter.max=1000) #K-Means
k <- vegclust(x=comp, mobileCenters=3, method="KMdd", nstart=100, iter.max=1000) #K-Medoids

制作散点图时，K-Means和K-Medoids都会获得3个明显的聚类。

color <- k$memb[,1]+k$memb[,2]*2+k$memb[,3]*3 # Making the different clusters have different colors

# K-Means scatterplot
ggplot(comp, aes(x, y)) + geom_point(alpha=.5, color=color, pch = 16, size=3)

# K-Medoids scatterplot
ggplot(comp, aes(x, y)) + geom_point(alpha=.5, color=color, size=3, pch = 16)

现在增加了异常值：

comp[21,1] <- 3
comp[21,2] <- 7.5

此异常值将蓝色群集的中心移动到图表的左侧。

因此，在新数据上使用K-Medoids时，蓝色群集的最右侧点将被中断并加入红色群集。

有趣的是，K-means实际上生成了更好（更直观）的聚类，新数据偶尔取决于随机初始聚类中心（您可能需要多次运行以获得正确的聚类），而K-Medoids总是生成错误的集群。

从这个例子中可以看出，K-Means实际上更好地处理异常值而不是K-Medoids（相同的数据，相同的包等）。我在测试中做错了什么或误解了这些方法是如何工作的？