FCM聚类与K-means聚类的分析比较

最新推荐文章于 2024-05-18 10:18:00 发布
最新推荐文章于 2024-05-18 10:18:00 发布
阅读量1.1w 收藏 124
点赞数 7
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41784565/article/details/102791168
版权

FCM聚类与K-means聚类的分析比较

一、FCM聚类

1.简介

     模糊C均值聚类（FCM），即模糊ISODATA，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。1973年，Bezdek提出了该算法，作为早期硬C均值聚类（HCM）方法的一种改进。

     模糊数学是用数学方法研究和处理具有“模糊性”现象的数学。

     模糊正如其字面意思，就是不清晰。比如：“今天天气很热”，它的范围难以准确定义。若要判断10°C、45°C是否是“天气很热”,答案自然是明确的！但要判断28°C-35°C左右的气温是否属于“天气很热”的集合, 就不那么好确定了。

2.FCM聚类算法原理

设有限样本集（论域）X={X1,X2,…,XN}，每一个样本与s个特征Xj={Xj1,Xj2,…,X~js}，即样本的特征矩阵：
在这里插入图片描述
欲把它分为K类（2≤K≤N），则N个样本划分为K类的模糊分类矩阵为：
在这里插入图片描述
其满足下列三个条件：
在这里插入图片描述
条件Ⅱ表明每一样本属于各类的隶属度之和为1 ;条件Ⅲ表明每一类模糊集不可能是空集合，即总有样本不同程度的隶属于某类。
定义K个聚类中心Z={Z1,Z2,…,ZK}。其中Zi={Zi1,Zi2,…,Zis};i=1,2,…,K 。
在这里插入图片描述
第i类的中心Z，即人为假想的理想样本，它对应的s个指标值是该类样本所对应的指标值的平均值：
在这里插入图片描述
构造准则函数:
在这里插入图片描述
其中，||Xj-Zi||表示第j个样本与第i类中心之间的欧式距离; J表示所有待聚类样本与所属类的聚类中心之间距离的平方和。
为了确定最佳分类结果，就是寻求最佳划分矩阵U和对应的聚类中心Z ，使J达到极小。

基本步骤

(1)选择初始聚类中心Zi(0)
(2)计算初始隶属度矩阵U(0)
(3)求各类的新的聚类中心Zi(L)
(4)计算新的隶属度矩阵U(L+1)
(5) 回到第(3)步，重复至收敛
(6)类别调整:①合并②分解③删除

流程图

在这里插入图片描述

二、数据集介绍

1.数据集来源

     数据采自UCI数据库，UCI数据库是加州大学欧文分校(University of CaliforniaIrvine)提出的用于机器学习的数据库，这个数据库目前共有335个数据集，其数目还在不断增加，UCI数据集是一个常用的标准测试数据集。
     本数据集来自网址：http://archive.ics.uci.edu/ml/datasets/Wine+Quality

2.详细介绍

摘要
     这个数据集是来自葡萄牙北部的红葡萄酒样品有关的数据集，与葡萄牙“ Vinho Verde”葡萄酒的红色变体有关。
     由于隐私和物流问题，仅物理化学（输入）和感觉（输出）变量可用（例如，没有有关葡萄类型，葡萄酒品牌，葡萄酒售价等的数据）。
     输入内容包括客观测试（例如PH值），输出内容基于感官数据（葡萄酒专家至少进行3次评估的中位数）。每位专家对葡萄酒质量进行评分在0（非常差）和10（非常好）之间。
在这里插入图片描述
相关信息
1.实例数量：2024。

2.属性数量：11 +输出属性

注意：几个属性可能是相关的，因此应用某种形式的功能选择。

3.属性信息：
输入变量（基于理化测试）：
1-固定酸度
2-挥发性酸度
3-柠檬酸
4-残留糖
5-氯化物
6-游离二氧化硫
7-总二氧化硫
8-密度
9-pH
10-硫酸盐
11-酒精
输出变量（基于感官数据）：
12-质量（得分在0到10之间）

4.缺少属性值：无

三、FCM聚类实现

1.Matlab代码

数据存放形式为每行用分号隔开，如下：
在这里插入图片描述
需读到程序中去，数据导入：

fid=fopen('wine.txt');
spec='%f %f %f %f %f %f %f %f %f %f %f %f ';
quality=textscan(fid,spec,'Delimiter',';');
data=zeros(2024,11);
flag=zeros(1,11);
for i=1:2024
    k=1;
    for j=1:11
        flag(1,k)=quality{1,j}(i,1);
        k=k+1;
    end
    data(i,:)=flag;
end

FCM聚类：

T=100;
c=11;
m=2;
[U, V]=myfcm(data, c, T, m, epsm);
function [U, V,objFcn] = myfcm(data, c, T, m, epsm)
% fuzzy c-means algorithm
% 输入： data： 待聚类数据，n行s列，n为数据个数，s为每个数据的特征数
%        c  ：  聚类中心个数
%        m  :   模糊系数
% 输出： U  :   隶属度矩阵，c行n列，元素uij表示第j个数据隶属于第i类的程度
%        V  ：  聚类中心向量，c行s列，有c个中心，每个中心有s维特征

if nargin < 3
 T = 100;  %默认迭代次数为100
end
if nargin < 5
  epsm = 1.0e-6;  %默认收敛精度
end
if nargin < 4
  m = 2;  %默认模糊系数值为2
end

[n, s] = size(data); 
% 初始化隶属度矩阵U(0),并归一化
U0 = rand(c, n);
temp = sum(U0,1);
for i=1:n
  U0(:,i) = U0(:,i)./temp(i);
end
iter = 0; 
V(c,s) = 0; U(c,n) = 0; distance(c,n) = 0;

while( iter<T  )
  iter = iter + 1;
%    U =  U0;
  % 更新V(t)
  Um = U0.^m;
  V = Um*data./(sum(Um,2)*ones(1,s));  % MATLAB矩阵相乘
 % 更新U(t)
  for i = 1:c
  for j = 1:n
  distance(i,j) = mydist(data(j,:),V(i,:));
  end
  end
 U=1./(distance.^m.*(ones(c,1)*sum(distance.^(-m)))); 
  objFcn(iter) = sum(sum(Um.*distance.^2));
  % FCM算法停止条件
  if norm(U-U0,Inf)<epsm  
  break
  end  
  U0=U;
end
myplot(U,objFcn);

function  d = mydist(X,Y)
% 计算向量Y到向量X的欧氏距离的开方
d = sqrt(sum((X-Y).^2));
end

function myplot(U,objFcn)
% 将隶属度U矩阵可视化

figure(1)
subplot(3,2,1);
plot(U(1,1:100),'-b');
title('隶属度矩阵值')
ylabel('第一类')
xlabel('样本数')
subplot(3,2,2);
plot(U(2,1:100),'-r');
ylabel('第二类')
subplot(3,2,3);
plot(U(3,1:100),'-g');
ylabel('第三类')
subplot(3,2,4);
plot(U(4,1:100),'-b');
ylabel('第四类')
subplot(3,2,5);
plot(U(5,1:100),'-r');
ylabel('第五类')
subplot(3,2,6);
plot(U(6,1:100),'-g');
ylabel('第六类')
figure(2)
subplot(3,2,1);
plot(U(7,1:100),'-b');
title('隶属度矩阵值')
ylabel('第七类')
xlabel('样本数')
subplot(3,2,2);
plot(U(8,1:100),'-r');
ylabel('第八类')
subplot(3,2,3);
plot(U(9,1:100),'-g');
ylabel('第九类')
subplot(3,2,4);
plot(U(10,1:100),'-b');
ylabel('第十类')
subplot(3,2,5);
plot(U(11,1:100),'-r');
ylabel('第十一类')

figure(3)
grid on
plot(objFcn);
title('目标函数变化值');
xlabel('迭代次数')
ylabel('目标函数值')
end
end

计算平均模糊熵：

Fuzzy=0;%平均模糊熵
for i=1:c
    for j=n
        Fuzzy=Fuzzy+U(i,j)*log(U(i,j));
    end
    Fuzzy=Fuzzy/n;
end
disp('平均模糊熵：');
disp(Fuzzy);

2.运行结果（5次）

First:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
隶属度矩阵U（部分）：
在这里插入图片描述
聚类中心V：
在这里插入图片描述
Second:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
隶属度矩阵U（部分）：
在这里插入图片描述
聚类中心V：
在这里插入图片描述
Third:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
隶属度矩阵U（部分）：
在这里插入图片描述
聚类中心V：
在这里插入图片描述
Fourth:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
隶属度矩阵U（部分）：
在这里插入图片描述
聚类中心V：
在这里插入图片描述
Fifth:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
隶属度矩阵U（部分）：
在这里插入图片描述
聚类中心V：
在这里插入图片描述

3.分析

    ①采用FCM算法对红酒的质量进行模糊聚类，因为专家对酒的质量进行打分范围在0（非常差）~10（非常好）之间，所以对酒的质量分类分为11类，因此设定c=11。即数据样本总数为2024，每个样本有11个特征，将这些样本划分为11类。根据上述结果展示可知，由于每次给定的初始值不同，对结果有较大影响，因此运行5次可以得到互不相同的结果，从目标函数变化趋势图可以看出，大约迭代了20次左右，目标函数开始收敛，隶属度矩阵值图展示前100个样本的隶属情况，从隶属度矩阵U可以看出样本分类情况，从聚类中心向量V可以看到c行s列，即c个中心，每个中心s维特征。
    ②聚类效果检验：利用平均模糊熵作检验，此处取模糊系数q=2，运行5次结果如下表所示，当平均模糊熵越接近0，聚类效果越好，所以从下表的数值可以看出该聚类效果较好。

运行次数平均模糊熵(Fuzzy)
1-2.4796e-06
2-1.5831e-06
3-2.1778e-06
4-6.5958e-07
5-2.3892e-06

    ③运行速度检验：利用Matlab的“运行并计时”功能，计算运行时间：
在这里插入图片描述
运行5次，得到运行时间如下表所示：

运行次数函数(wine)总时间
17.017s
27.468s
37.046 s
46.881s
57.505s

四、K-means聚类实现

1.K-means算法基本原理

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法。其实现过程如下：
第一步：从文件中读取数据，点用元组表示；确定聚类个数k。
第二步：初始化k个聚类中心。在所获得的的样本区间范围内随机产生k个值作为初始质心。
第三步：对每个数据点进行分类，选择相似度最高的质心所在的簇作为该样本的类别，形成k个簇。
第四步：计算每个簇中所有点的平均值，更新聚类中心。
第五步：迭代3~4步，直至聚类中心不再更改或达到最大迭代次数，算法结束。

2.Matlab代码

与上述FCM聚类算法实现一样，首先进行数据导入（主程序）：

fid=fopen('wine.txt');
spec='%f %f %f %f %f %f %f %f %f %f %f %f ';
quality=textscan(fid,spec,'Delimiter',';');
data=zeros(2024,11);
flag=zeros(1,11);
for i=1:2024
    k=1;
    for j=1:11
        flag(1,k)=quality{1,j}(i,1);
        k=k+1;
    end
    data(i,:)=flag;
end
[ subCenter,centroids ] = kMeans1(data, 11);

随机选取质心：

function [ centroids ] = randCent( dataSet, k )  %% 取得随机中心  
	 [m,n] = size(dataSet);%取得列数  
	centroids = zeros(k, n);  
   for j = 1:n  
        minJ = min(dataSet(:,j));  
        rangeJ = max(dataSet(:,j))-min(dataSet(:,j));  
	    centroids(:,j) = minJ+rand(k,1)*rangeJ;%产生区间上的随机数  
   end
end

计算相似性：

function [ dist ] = distence( vecA, vecB )  
    dist = (vecA-vecB)*(vecA-vecB)';%这里取欧式距离的平方  
	end

K-means主程序：

function [ subCenter,centroids ] = kMeans1( dataSet, k )  %% kMeans的核心程序，不断迭代求解聚类中心  
	    [m,n] = size(dataSet);  
	    %初始化聚类中心  
	    centroids = randCent(dataSet, k);  
	    subCenter = zeros(m,2); %做一个m*2的矩阵，第一列存储类别，第二列存储距离  
	    change = 1;%判断是否改变  
	    while change == 1  
	        change = 0;  
	        %对每一组数据计算距离  
	        for i = 1:m  
	            minDist = inf;  
	            minIndex = 0;  
	            for j = 1:k  
	                 dist= distence(dataSet(i,:), centroids(j,:));  
	                 if dist < minDist  
	                     minDist = dist;  
	                     minIndex = j;  
	                 end  
	            end  
	            if subCenter(i,1) ~= minIndex  
	                change = 1;  
	                subCenter(i,:)=[minIndex, minDist];  
	            end          
	        end  
	        %对k类重新计算聚类中心  
	          
	        for j = 1:k  
	            sum = zeros(1,n);  
	            r = 0;%数量  
	            for i = 1:m  
	                if subCenter(i,1) == j  
	                    sum = sum + dataSet(i,:);  
	                    r = r+1; 
                    end
                end          
                if r~=0
	            centroids(j,:) = sum./r;  
                end
	        end  
	    end   
	end

3.运行结果（5次）

聚类中心用矩阵centroids表示，聚类情况用矩阵subCenter表示（其中第一列表示该样本所属类别（共11类），第二列表示样本到聚类中心的距离）。
First:
聚类中心：
在这里插入图片描述
聚类情况（部分）：
在这里插入图片描述
Second
聚类中心：
在这里插入图片描述
聚类情况（部分）：
在这里插入图片描述
Third
聚类中心：
在这里插入图片描述
聚类情况（部分）：
在这里插入图片描述
Fourth
聚类中心：
在这里插入图片描述
聚类情况（部分）：
在这里插入图片描述
Fifth
聚类中心：
在这里插入图片描述
聚类情况（部分）：
在这里插入图片描述

4.分析

    采用K-means算法对数据进行聚类，多次迭代，多次更新聚类中心点，计算各簇平均值，直至聚类中心不再更改或达到最大迭代次数，算法结束，得到最终结果。
    同样将数据分为11类（0~10级），聚类中心用矩阵centroids表示，矩阵的行表示类别，列表示样本的维度，即11×11；聚类情况用矩阵subCenter表示，其中行表示每个样本，第一列表示该样本所属类别（共11类），第二列表示样本到聚类中心的距离，通过比对原数据的标签，可以得到准确率大约在40%-60%。
    运行速度检验：利用Matlab的“运行并计时”功能，计算运行时间，运行5次，得到运行时间如下表所示：

运行次数函数(kmeans11)总时间
13.164s
23.243s
34.051 s
43.693s
54.034s

五、对比分析

    1.K-Means算法的原理很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。K-means的主要优点：原理简单，实现容易，收敛速度快，算法的可解释度比较强。但是，对于K-means算法，K值的选取不好把握；对于不是凸的数据集比较难收敛；采用迭代方法，得到的结果只是局部最优；对噪音和异常点比较的敏感。
    2.ISODATA算法（即FCM聚类算法）是由K-均值算法发展而来的一种重要的聚类分析算法，这种算法对特性比较复杂而人们又缺少认识的对象进行分类，可以有效地实施人工干预,加入人脑思维信息,使分类结果更符合客观实际,可以给出相对的最优分类结果,因而具有一定的实用性。然而该算法同样存在不足之处，主要有：需要设定一些参数，若参数的初始化选取的不合适，可能影响聚类结果的正确性；当数据样本集合较大并且特征数目较多时，算法的实时性不太好。
    3.速度比较：从上述两种聚类结果分析中可得，FCM聚类代码运行时间大约为7.2s,K-means聚类代码运行时间大约在3.6s。因为FCM聚类需要经过更多次的迭代，计算量大，数据更加细腻，因此速度会稍慢些，而K-means聚类数据简单，速度快。
    4.精度比较：由于本次实验所找的数据集本身带有标签，已做好分类，所以将实验结果同原有数据做比较，可以看出K-means聚类准确率大约在40%-60%，FCM聚类准确度大约在45%-70%，求得其平均模糊熵约为-2e-06，聚类效果较好，可得FCM聚类的精度会稍高于K-means。

Grape_o
关注
  • 7
    点赞
  • 踩
  • 124
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
K-means算法与模糊聚类C-means算法
qq_43787814的博客
11-05 4596
一. K-means算法 (一）原理 将某一些数据分为不同的类别，在相同的类别中数据之间的距离应该都很近，也就是说离得越近的数据应该越相似，再进一步说明，数据之间的相似度与它们之间的欧式距离成反比。这就是k-means模型的假设。 有了这个假设，我们对将数据分为不同的类别的算法就更明确了，尽可能将离得近的数据划分为一个类别。不妨假设需要将数据{xi}聚为k类，经过聚类之后每个数据所属的类别为{ti...
模糊C-means聚类算法和K-means聚类算法
Potattto的博客
11-04 7094
一、模糊C-means聚类算法 1.简介 模糊c-均值聚类算法 fuzzy c-means algorithm (FCMA)或称（ FCM）。在众多模糊聚类算法中，模糊C-均值（ FCM） 算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。 2. 模糊C-means聚类应用背景 传统的聚类分析是一种硬划分（Cris...
K-Means聚类
AcceptedLin的博客
07-15 288
K均值聚类是基于原型的、划分的聚类方法。聚类数K由用户指定，初始的K个聚类中心随机选取，然后将每个点分派到最近的聚类中心，形成K个簇，接下来重新计算每个簇的聚类中心，重复上一步，直到簇不发生变化或达到最大迭代次数为止。距离度量有欧氏距离、曼哈顿距离、切比雪夫距离、余弦距离等。欧式距离容易受指标不同单位刻度的影响，值越大，个体间差异越大；而余弦距离不受指标刻度的影响，值越大，差异越小。簇的最小化误差...
FCM聚类算法（matlab编程）
最新发布
hello
05-18 2098
FCM聚类算法（matlab编程） function [center, U, obj_fcn] = fcm(data, cluster_n, options) %FCM Data set clustering using fuzzy c-means clustering. % % [CENTER, U, OBJ_FCN] = FCM(DATA, N_CLUSTER) finds N_CLUSTER number of % clusters in the data set DATA. DATA is
K-means聚类算法和模糊C-means聚类算法
热门推荐
Code Wang的博客
02-05 4万+
K-means聚类算法和模糊C-means聚类算法 1.K-means聚类算法 K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。 ...
K-Means算法与模糊C-Means聚类算法
weixin_43869874的博客
10-29 3586
一、数据集描述 二、K-Means算法实现聚类 三、模糊C均值聚类算法实现 四、K-Means算法与模糊C均值聚类算法结果对比 五、优缺点
模糊ISODATA算法和K-means算法的分析比较
qq_41934490的博客
11-04 3542
一、FCM聚类 1.简介      模糊C均值聚类（FCM），即模糊ISODATA，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。1973年，Bezdek提出了该算法，作为早期硬C均值聚类（HCM）方法的一种改进。 2.基本步骤 (1)选择初始聚类中心Zi(0) (2)计算初始隶属度矩阵U(0) (3)求各类的新的聚类中心Zi(L) (4)计算新的隶属度矩阵U(L+1) (5) 回到第...
K-means算法和模糊C均值算法对比
weixin_43998483的博客
11-04 3531
模糊C
两种聚类方法——K均值聚类（K-means）算法和模糊C均值聚类（FCM）算法的简述与在MATLAB中的实现
qq_44397802的博客
01-04 1万+
目录1.K-means算法1.1算法流程1.2程序实现实验结果原始数据集聚类结果2.FCM算法2.1算法流程功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 在科学计算领域，聚类算法一般都是作为其他算法分析的基础，对数据进行聚类可以
[转]聚类算法实践（1）—— 层次、K-means聚类
Loyal2M的专栏
09-06 1695
聚类算法实践（1）——层次、K-means聚类 男人海洋 发表于 2013-08-29 14:33 来源：数据之城 阅读：1007次       所谓聚类，就是将相似的事物聚集在一起，而将不相似的事物划分到不同的类别的过程，是数据分析之中十分重要的一种手段。比如古典生物学之中，人们通过物种的形貌特征将其分门别类，可以说就是一种朴素的人工聚类。如此，我们就可以将世界上纷繁复杂的信
FCM聚类与K-means聚类的实现和对比分析
weixin_45583603的博客
11-03 5209
文章目录 一、收集数据 1.1描述 要适应足球高密度和高水平的比赛，必须对球员的各项身体素质进行评定，每个球员都有各自的优势与劣势。其中，进行评定的身体素质为： 1.2具体数据及来源 二、K-means 三、Fuzzy C-means 3.1原理讲解 模糊c-均值聚类算法 fuzzy c-means algorithm (FCMA)或称（ FCM）。在众多模糊聚类算法中，模糊C-均值（ FCM） ...
FCM算法与K-means 算法
WWQ0726的博客
10-27 2997
FCM算法 一.原理介绍 模糊C均值（Fuzzy C-means）算法简称FCM算法，是一种基于目标函数的模糊聚类算法，主要用于数据的聚类分析。理论成熟，应用广泛，是一种优秀的聚类算法。 首先介绍一下模糊这个概念，所谓模糊就是不确定，确定性的东西是什么那就是什么，而不确定性的东西就说很像什么。比如说把20岁作为年轻不年轻的标准，那么一个人21岁按照确定性的划分就属于不年轻，而我们印象中的观念...
【主色提取】模糊C均值(FCM )聚类算法和彩色图像快速模糊C均值( CIQFCM )聚类算法
m0_51816252的博客
12-08 1542
主色提取技术在伪装设计、伪装评估、图像分割、图像混合、图像检索、遥感图像分析、医学图像分析等领域有着广泛的应用。由Dunn 于1973年提出的FCM聚类算法由于其较高的聚类精度和相对广泛的适用性，而CIQFCM 就是 FCM 算法的改进。
几种常见的聚类分析
weixin_33921089的博客
10-17 4752
聚类分析 指将对象的集合分组为由类似的对象组成的多个类的分析过程，目的是在相似的基础上收集数据来分类。 聚类算法分为： 1）划分聚类：K-means聚类、K-中心点聚类、CLARANS算法 2）层次聚类 ：DIANA算法、BIRCH算法、Chameleon算法 3）模糊聚类 ：EM算法 4）基于密度聚类：OPTICS算法、DBSCAN算法 K-Means(K均值)聚类 算法步骤...
fuzzy c-means 与 k-means实验对比
ziyi_mi的博客
11-22 3306
实验分析 原理分析 精度分析
【机器学习（六）】聚类算法一篇就够。无监督聚类算法：层次聚类、Kmeans聚类、模糊聚类（FCM/模糊Cmeans），从原理、案例和代码详细讲解。
qq_39709813的博客
06-25 1万+
聚类
K均值聚类算法以及模糊K均值算法研究，matlab
kangjielearning的博客
03-01 1万+
一．K-均值聚类（K-means）概述 1.聚类 “类”指的是具有相似形得几何。聚类是值将数据集划分为若干类，是的类内之间得数据最为相似，各类之间的数据相似度差别尽可能大。聚类分析就是以相似性为基础，对数据集进行聚类划分，属于无监督学习。 2.无监督学习和监督学习 K-均值聚类属于无监督学习。监督学习知道从对象（数据）中学习什么，而无监督学习无需知道所要搜寻的目标，它根据算法得到数据的共同特征。比...
Kmeans算法和FCM算法(含MATLAB代码和具体实验)
qq_45004419的博客
05-12 1826
含MATLAB代码和具体实验，实验内容是医学图像分割
FCM算法与K-Means算法的聚类
qq_41634240的博客
11-04 1018
1.FCM算法原理 模糊C均值（Fuzzy C-means）算法简称FCM算法，是一种基于目标函数划分的模糊聚类算法，主要用于数据的聚类分析。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。 FCM把n个向量xi（i=1,2,…,n）分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM使得每个给定数据点用值在0，1间的隶属度来确定其属于各个组...
k-means 流程图
08-30
抱歉，我无法为您提供流程图，但我可以为您解释 k-means 的基本流程。 k-means 是一种常用的聚类算法，用于将数据集中的数据分成 k 个互不重叠的类别或簇。下面是 k-means 的基本流程： 1. 随机选择 k 个数据点作为初始的聚类中心。 2. 将每个数据点分配给离它最近的聚类中心，形成 k 个簇。 3. 对每个簇，计算其中所有数据点的平均值，将该平均值作为新的聚类中心。 4. 重复步骤2和步骤3，直到簇不再改变或达到预定的迭代次数。 在每次迭代中，k-means 通过计算每个数据点与聚类中心的距离来确定其所属簇。距离通常使用欧几里得距离或曼哈顿距离来度量。 k-means 的目标是最小化各个簇内数据点与其对应聚类中心之间的平方误差和（SSE）。通过迭代更新聚类中心，k-means 试图找到最优的聚类结果。 请注意，k-means 算法的结果取决于初始的聚类中心选择，因此可能存在局部最优解的问题。为了避免这个问题，可以多次运行 k-means 算法，并选择 SSE 最小的结果作为最终的聚类结果。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值