本文介绍模糊聚类分析的三种主要方法：模糊等价矩阵动态聚类、模糊C均值聚类及基于摄动的模糊聚类。重点讲解模糊C均值聚类算法，该算法将样本点分配到多个模糊组中，并通过优化目标函数来确定最佳聚类中心。
上次聚类节点的算法看到一半，这次看模糊c均值聚类算法。
模糊聚类算法
模糊聚类分析算法大致可分为三类：
1）分类数不定，根据不同要求对事物进行动态聚类，此类方法是基于模糊等价矩阵聚类的，称为模糊等价矩阵动态聚类分析法。
2）分类数给定，寻找出对事物的最佳分析方案，此类方法是基于目标函数聚类的，称为模c均值聚类。
3）在摄动有意义的情况下，根据模糊相似矩阵聚类，此类方法称为基于摄动的模糊聚类分析法。
模糊c均值聚类
模糊c-均值聚类算法 fuzzy c-means algorithm （ FCM）。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，从而决定样本点的分类。
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。
目标函数：
smartbi中三种节点的配置
k-means节点配置
层次聚类节点配置
距离函数包括：Euclidean, Manhattan
聚类方法包括：Single, Average, Complete
模糊C均值聚类节点配置
模糊化因子应该是上面所说的加权指数（？）
噪声类指的是噪声数据所属分类（？）
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
