文本聚类python fcm_模糊C均值聚类-FCM算法

FCM(fuzzy c-means)

模糊c均值聚类融合了模糊理论的精髓。相较于k-means的硬聚类，模糊c提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，指派一个对象到一个特定的簇有些生硬，也可能会出错。故，对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度。当然，基于概率的方法也可以给出这样的权值，但是有时候我们很难确定一个合适的统计模型，因此使用具有自然地、非概率特性的模糊c均值就是一个比较好的选择。

聚类损失函数：

N个样本，分为C类。C是聚类的簇数；i，j是标号；

表示 样本i 属于 j类 的隶属度。

xi表示第i个样本，xi是具有d维特征的一个样本。cj是j簇的中心，也具有d维度。||*||可以是任意表示距离的度量。

模糊c是一个不断迭代计算隶属度和簇中心的过程，直到他们达到最优。