FCM聚类算法理解

注意： 聚类数目要远远小于样本数目。
聚类算法的核心理解在于隶属度和聚类中心公式的理解，隶属度和聚类中心的计算相互包含，通过多次迭代，最终当目标函数达到某个值时，则认为聚类完成，或者达到迭代次数时，则认为聚类完成。

聚类算法的步骤：
（1）确定分类数，指数m的值，确定迭代次数（这是结束的条件，当然结束的条件可以有多种）。
（2）初始化一个隶属度U（注意条件—和为1）（某个样本属于所有类的隶属度之和为1）；
（3）根据U计算聚类中心C；
（4）这个时候可以计算目标函数J了
（5）根据C返回去计算U，回到步骤3，一直循环直到结束。
聚类算法python代码实现：
（1）初始化隶属度矩阵
函数功能： 完成隶属度初始化，以此来计算类中心。
输入： 样本数目n，类别数目k
输出：初始化之后的隶属度矩阵
n：样本数目
k: 类别个数
矩阵的维度为： n * k

def initializeMembershipMatrix(n, k):
    membership_mat = list()
    for i in range(n):
        random_num_list = [random.random() for i in range