k-means 最小化簇内方差，它等于平方欧几里得距离。

一般来说，算术平均值就是这样做的。它不会优化距离，而是与平均值的平方偏差。

k-medians 最小化绝对偏差，等于曼哈顿距离。

一般来说，每轴中位数应该这样做。如果您想最小化绝对偏差的总和（即 sum_i abs(x_i-y_i)），而不是平方的，它是一个很好的均值估计器。

这不是关于准确性的问题。这是正确性的问题。;-)

所以这是你的决策树：

• 如果您的距离是平方欧几里得距离，请使用k-means
• 如果您的距离是Taxicab metric，请使用k-medians
• 如果您有任何其他距离，请使用k-medoids

一些例外：据我所知，最大化余弦相似度与最小化 L2 归一化数据上的平方欧几里得距离有关。因此，如果您的数据是 L2 标准化的；并且您每次迭代都会对您的均值进行 l2-normalize，然后您可以再次使用 k-means。

如果您想进行不考虑极值可能影响的分析，请使用 k 均值，但如果您想更准确，请使用 k 中位数