Usted puede convertir la matriz de distancias en los datos brutos y los de entrada de estos a K-means clustering. Los pasos serían como sigue:
1) las Distancias entre sus puntos N debe ser euclídea al cuadrado. Realizar "doble centrado" de la matriz: se Restan de la fila media de cada elemento; en el resultado, reste la columna media de cada elemento; en el resultado, agregar la matriz significa que a cada elemento; se dividen por menos de 2. La matriz de la que tienen ahora es la SSCP (suma de cuadrados y productos cruzados) de la matriz entre sus puntos en donde el origen es poner en el centro geométrico de la nube de N puntos.
2) Realizar PCA (análisis de componentes Principales) de esa matriz y obtener NxN componente de la matriz de carga. Algunas de las últimas columnas de la que probablemente son todos 0, - para cortar. Lo que te quedas con el de ahora es realmente puntuaciones de los componentes principales, de las coordenadas de N puntos en componentes principales que pasan, como ejes, a través de la nube. Estos datos pueden ser tratados como datos en bruto apto para K-Medios de entrada.
P. S. Si tu distancias no son correcta geometría euclídea al cuadrado puede encontrarse con un problema: el SSCP de la matriz no puede ser positivo (semi)definitiva. Este problema puede ser superado en varias maneras, pero con pérdida de precisión.