A C-means fuzzy klaszterezési módszer ( angol fuzzy clustering, soft k-means, c-means ) lehetővé teszi, hogy adott számú fuzzy halmazra bontsa a rendelkezésre álló, hatványos elemkészletet . A C -means fuzzy klaszterezési módszer egy továbbfejlesztett k -közép módszernek tekinthető , amelyben a vizsgált halmaz minden elemére kiszámítják a tagságának mértékét ( angol felelősség ) az egyes klaszterekhez.
Az algoritmust JC Dunn fejlesztette ki 1973-ban [1] , és JC Bezdek fejlesztette tovább 1981-ben [2] .
Algoritmus:
A C -közép fuzzy klaszterezésének módszere korlátozottan használható egy jelentős hátránya miatt - a klaszterekbe történő helyes particionálás lehetetlensége miatt abban az esetben, ha a klaszterek az elemek különböző dimenzióiban (tengelyeiben) eltérő szórással rendelkeznek (például egy klaszternek van ellipszis alakja). Ezt a hiányosságot kiküszöbölték a keverékmodellek és a GMM ( Gaussian mix model ) algoritmusok.
Gépi tanulás és adatbányászat | |
---|---|
Feladatok | |
Tanulás tanárral | |
klaszteranalízis | |
Dimenziócsökkentés | |
Strukturális előrejelzés | |
Anomália észlelése | |
Grafikon valószínűségi modellek | |
Neurális hálózatok | |
Megerősítő tanulás |
|
Elmélet | |
Folyóiratok és konferenciák |
|