模糊聚類分析是模糊數學中應用最為廣泛的方法之一。近年來也湧現出了多種不同的模糊聚類方法，本文直接從其操作流程出發，介紹模糊聚類分析的主要內容。
這一過程通常是將資料壓縮到區間
其中,相似關係建立主要分為：相似係數法、距離法和主觀評分法，其中前2者使用最多。
第一類：相似係數法
其中 , 此時
若存在
令所有
使得第二類：距離法
其中適當選取，使得
在 內分散開
第三類：主觀判別法
這類方法是最為簡單的一類，首先由專家打分，給出所有關係的值，再對專家的意見進行加權求和即可。
用上述方法生成乙個矩陣
即是相似矩陣，由於通常都要進行歸一化處理，其所有元素均在
區間上，因此該矩陣是乙個模糊矩陣。
設有5組資料：
先對其進行歸一化處理，得到特性矩陣（每一行對應一組資料）：
通過兩次合成，得到其傳遞閉包：
對所有元素排序，容易得到：
因此依次取
截矩陣，便可得到聚類結果：
直接聚類法實際上與傳遞閉包法只有乙個區別：即不用計算傳遞閉包，而是直接由相似矩陣進行聚類。
仍以上例資料為基礎，直接根據相似矩陣給出
由大到小的排序：
類似傳遞閉包的方法，此時仍然要考慮
幾種情況的聚類，而上述方法已經將這些聚類結果給出了，因此只需要考慮其後的聚類。
也就是說，實際上
時聚類水平不變。而由上例知，在
時所有類別已全部歸為同一類，因此不需要再繼續聚類了。
模糊聚類的操作步驟內容豐富，但其主幹框架實際上只有幾個關鍵的步驟，即本文開頭的那副圖。其中最關鍵的地方在於具體的聚類方法。
通過上述兩個例子的對比，可以看到這兩類方法各有優缺點：
那麼自然地，在具體的問題中應根據實際情況選擇更有優勢的方法。
模糊kmeans聚類
首先介紹乙個，fuzzykmeans演算法的主要思想 模糊均值聚類 fcm 即眾所周知的模糊isodata，是用隸屬度確定每個資料點屬於某個聚類的程度的一種聚類演算法。1973年，bezdek提出了該演算法，作為早期硬均值聚類 hcm 方法的一種改進。fcm把 n 個向量 xi i 1,2,n 分為...
模糊數學 3 模糊聚類
2020.8.17更新 模糊數學 1 模糊集 隸屬度函式 如何確定隸屬度函式 模糊數學 2 基本的一些模糊矩陣，以及模糊矩陣的運算 模糊數學 3 模糊聚類 模糊數學 4 模糊模式識別 模糊數學 5 模糊綜合評判 懶了幾天了，把模糊數學後面的學了，繼續總結一下。模糊聚類 假設有m個物件，每個物件有n個...
模糊C均值聚類
模糊c均值聚類 fcm 即眾所周知的模糊isodata，是用隸屬度確定每個資料點屬於某個聚類的程度的一種聚類演算法。1973年，bezdek提出了該演算法，作為早期硬c均值聚類 hcm 方法的一種改進。fcm把n個向量x i i 1,2,n 分為c個模糊組，並求每組的聚類中心，使得非相似性指標的價值...