模糊C均值（FCM）算法是聚类分析的一种，相较于传统的C均值算法，它提供了一种柔性的数据划分方式。FCM通过计算样本与聚类中心之间的相似度（通常使用欧氏距离）来确定样本的隶属度，以此实现数据的模糊归属。在FCM中，样本可以同时隶属于多个类别，并且有一个隶属度指标来衡量其归属程度。算法包括确定分类数、指数m、初始化隶属度矩阵、计算聚类中心和目标函数，然后通过迭代优化过程直至满足停止条件。
模糊聚类：
思想：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。
首先，需要一种方法度量两个样本的相似性，这个就是距离。FCM是一种重要的聚类算法，其目标是将n维空间中的数据X = {x_1, ..., x_N}分配到C个聚类中心v_1, ..., v_C。在欧氏距离意义下，数据靠近哪个聚类中心就属于哪个类。
把这种一个样本属于结果的这种相似的程度称为样本的隶属度，一般用
表示，表示一个样本相似于不同结果的一个程度指标。
基于此，假定数据集为X，如果把这些数据划分成c类的话，那么对应的就有c个类中心为C，每个样本j属于某一类i的隶属度为，则定义一个FCM目标函数及其约束条件如下所示：
最低0.47元/天 解锁文章
2063
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
