FCM——（Fuzzy C-means）模糊C均值算法

最新推荐文章于 2023-05-15 16:59:33 发布

Lesel

最新推荐文章于 2023-05-15 16:59:33 发布

阅读量4.5k

点赞数 1

分类专栏：聚类机器学习数学基础

本文链接：https://blog.csdn.net/qq_33384379/article/details/103580480

版权

FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。

模糊聚类的目标函数：

$$$ J\left( {U,V} \right) = \sum\limits_{i = 1}^c {\sum\limits_{k = 1}^n {{{\left( {{u_{ik}}} \right)}^m}{{\left( {{d_{ik}}} \right)}^2}} }$

与K-means算法区别在于目标函数

$$$ J\left( V \right) = \sum\limits_{i = 1}^c {\sum\limits_{{x_k} \in {V_i}} {{{\left( {{d_{ik}}} \right)}^2}} }$

式中：

$$$ U{\rm{ = }}\left[ {{u_{ik}}} \right]$ ：隶属度矩阵

$u_{ik}$ ：第个样本对第类的隶属度，0到1之间。

$$$ {\left( {{d_{ik}}} \right)^2}{\rm{ = }}{\left\| {{x_k} - {v_i}} \right\|^2}$ ：样本 x_k 与聚类中心 v_i 的欧式距离。

FCM算法的约束条件：某个样本对各个聚类的隶属度之和为1，即 $$$ \sum\limits_{i = 1}^c {{u_{ik}} = 1}$

FCM算法的目标：

关注