模糊C均值聚类FCM实操教程:从数据到结果解读.docxVIP

  • 0
  • 0
  • 约5.69千字
  • 约 14页
  • 2026-11-18 发布于北京
  • 举报

模糊C均值聚类FCM实操教程:从数据到结果解读.docx

模糊C均值聚类FCM实操教程:从数据到结果解读

案例数据下载:/data/fcm_sample.csv

方法简介

SPSSAU提供模糊C均值聚类(FuzzyC-Means,FCM),用于在预先指定类别数的前提下,为每个样本计算一套对各类的隶属度(非负、合计为1),再取隶属度最大的类作为硬分类。与K-Means直接把样本判给唯一一类不同,FCM允许一个样本“同时部分属于”多个类,因此特别适合人群边界本就存在过渡状态的场景,例如用户分层、疾病亚型划分、产品等级评定。

算法在全部参与聚类的变量上反复迭代:先用当前隶属度加权求各类中心,再由样本到各中心的距离反过来更新隶属度,直到隶属度的最大变化量小于收敛阈值。模糊指数m控制“模糊程度”,m越接近1越接近硬聚类,m越大各类隶属度越平均。FCM仍以欧氏距离为基础,没有噪声类,每个样本都会被分到某一类;但最大隶属度很低的样本应视为边界模糊样本,不能当作典型成员解释。二维散点图只是主成分投影,聚类实际在完整变量空间完成。

先看参数与收敛信息:有效样本、类别数c、模糊指数m、初始化种子、迭代次数、最终max|ΔU|与目标函数J,确认迭代已收敛、结果可复现。

再看各类规模与隶属度:类内平均隶属度接近1说明成员确定,接近1/c说明边界很模糊;类内最低隶属度可用于找出“被硬分进来但不太像”的样本。

最后看聚

文档评论(0)

1亿VIP精品文档

相关文档