模糊C-Means（FCM）算法是一种引入模糊概念的聚类算法，相较于K-Means，它通过隶属度来表示样本属于某个簇的程度。算法包括初始化隶属度矩阵、计算聚类中心、计算目标函数值以及更新隶属度矩阵等步骤。FCM算法的模糊度参数β决定了隶属度的模糊程度，当β趋近于1时，FCM退化为K-Means算法。
1、概述
模糊C均值(Fuzzy C-Means、FCM)算法本质上是一个以距离作为衡量标准的聚类算法， 但是与传统的K均值(K-Means)算法相比，FCM算法引入了模糊的概念，此时就没有明确指出样本属于某一个簇，而是通过隶属度来表示样本属于某一个簇的程度。
2、FCM算法的一般步骤
本文以 x i , i = 1 , 2 , . . . , n x_i,i=1,2,...,n xi,i=1,2,...,n为样本，使用FCM算法聚为 e e e个簇。
1）初始化隶属度矩阵
首先使用(0,1)范围内的随机值初始化隶属度矩阵，且要满足约束条件 ∑ j = 1 e u i j = 1 , ∀ i ∈ [ 1 , 2 , . . . , n ] , \sum_{j=1}^{e}u_{ij}=1,\forall i \in [1,2,...,n], j=1∑euij=1,∀i∈[1,2,...,n],其中 u i j u_{ij} uij代表第 i i i个样本 x i x_i xi属于第 j j j个簇的程度。
2）计算聚类中心
使用如下公式计算聚类的中心 c j = ∑ i = 1 n u i j β x i ∑ i = 1 n u i j β , c_j=\frac{\sum_{i=1}^{n}u_{ij}^\beta x_i}{\sum_{i=1}^{n}u_{ij}^\beta}, cj=∑i=1nuijβ∑i=1nuijβxi,其中 β ( β > 1 ) \beta(\beta>1) β(β>1)表示模糊度。
3）计算目标函数值
使用如下公式计算目标函
最低0.47元/天 解锁文章
扫一扫
1644
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
