聚类算法及python实现——模糊C均值(FCM)

聚类算法及python实现——模糊C均值(FCM)

模糊C和K均值的区别
K均值：硬聚类，隶属度只有0和1，基于“类内误差平方和最小化”原则
模糊C：模糊聚类，隶属度取值为[0，1]，基于“类内加权误差平方和最小化”原则

步骤

step1：给定聚类个数，模糊系数，迭代次数(k-means是聚类中心不再发生变化停止)，初始化隶属度矩阵（若有 N个样本，指定类别数为 k，则隶属度矩阵应当是 N∗k 的矩阵）
step2：根据聚类中心更新公式，计算聚类中心
step3：根据隶属度更新公式，计算其余点到聚类中心的隶属度
step4：迭代结束（终止条件除了设置迭代次数外，还可以设置隶属度变化低于设定阈值），隶属度最大的那个就是所属类

python代码

import  skfuzzy

优势

（1）硬聚类把每个待识别的对象严格的划分某类中，具有非此即彼的性质，而模糊聚类建立了样本对类别的不确定描述，更能客观的反应客观世界，从而成为聚类分析的主流。
（2）据说对高斯分布的数据集聚类效果好，这个出处我还没找到。

缺陷

（1）预先设置聚类数和模糊系数
（2）易局部最优