k均值聚类中的Gower距离和余弦距离

我正在努力理解R语言的一些基础知识。昨天，我为自己做了一个小练习：

R中的聚类

到目前为止，我设法对欧几里德和曼哈顿方法进行了一些计算

resultEuclidean <- Kmeans(myData, 6, method = "euclidean");
resultManhattan <- Kmeans(myData, 6, method = "manhattan");

ResulteCliedean k-均值最小化方差，而不是距离
k-means最小化距离是一个相当常见的误解，因为它“将每个点指定给最近的质心”。但这只是k-means的一半。K-均值然后重新计算中心，这不会使其他距离最小化，但只会使很少的距离最小化

平均值是一个最小二乘估计值，它最小化了
和d（x[d]-中心[d]）^2
。也就是说，它最小化平方欧几里德

如果在将点指定给中心时也使用平方欧几里得，则该方法将可靠地工作并收敛

这严重限制了k-均值（Bregman发散）可以使用的距离。对于其他距离，例如PAM（围绕medoid的分区），其中medoid是到所有其他集群成员的距离最小（使用任何度量）的对象。通过将平均值替换为medoid，可以将medoid概念转换为k-means。然后您将获得k-medoid。
帮助我们使用dput（head（myData，n=20））、20位或更多的数据位，以便我们可以与您一起从头开始。复制会话中的dput结果并将其编辑到问题中。总的来说，这是一个与众不同的世界。
resultGower <- Kmeans(myData, 6, method="gower");
resultCosine <- Kmeans(myData, 6, method="cosine");

# libraries
library(factoextra);
library(cluster);

install.packages("amap");
library(amap);

# dataset
data("multishapes", package = "factoextra");
myData <- multishapes;
myData$shape <- NULL;

# algorithm
resultEuclidean <- Kmeans(myData, 6, method = "euclidean");
resultManhattan <- Kmeans(myData, 6, method = "manhattan");
resultGower <- Kmeans(myData, 6, method="gower");
resultCosine <- Kmeans(myData, 6, method="cosine");