Algorytm ten dąży do minimalizacji sumy odległości wszystkich elementów niebędących medoidami od najbliższych im medoidów.
Kolejną różnicą między algorytmem centroidów oraz metodą k-medoidową jest sposób definiowania dystansu między obserwacjami, bowiem algorytm PAM używa norm Manhattan zamiast odległości euklidesowej.
Zaletą tego algorytmu jest jego odporność na obserwacje odstające (ang. outliers) oraz szumy występujące w danych (ang. robustness). Główną wadą algorytmu PAM jest brak możliwości zastosowania tej metody dla dużych zbiorów danych (powyżej 65536 obserwacji).
Przebieg algorytmu PAM Przebieg algorytmu PAM składa się z dwóch faz: fazy budowy (ang. build phase) oraz fazy zamiany (ang. swap phase).
Faza budowy 1. Podziel zbiór danych na skupień z przypisanymi medoidami
2. Oblicz macierz odległości pomiędzy medoidami oraz pozostałymi obserwacjami
3. Przypisz każdą z obserwacji (nie będącą medoidem) do najbardziej zbliżonego skupienia
Faza zamiany 4. Przy użyciu iteracji zastąp jeden z medoidów jednym z niemedoidów i sprawdź, czy odległości wszystkich elementów niebędących medoidami od najbliższych im medoidów są mniejsze
5. Jeśli nastąpiła przynajmniej jedna zamiana medoidów, przejdź do punktu 3.