Fuzzy C-Means Clustering (FCM)
Fuzzy C-Means je algoritmus měkkého shlukování, ve kterém každý datový bod náleží do každého shluku s odstupňovanou příslušností mezi 0 a 1, namísto přiřazení k právě jednomu shluku. Algoritmus, jehož původ sahá k Josephu Dunn v roce 1973 a který byl zobecněn Jamesem Bezdekem v roce 1981, minimalizuje rozptyl uvnitř shluků vážený fuzzy příslušností, což jej činí vhodným pro data, jejichž skupiny se překrývají nebo nemají ostré hranice.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Dunn, J. C. (1973). A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters. Journal of Cybernetics, 3(3), 32–57. DOI: 10.1080/01969727308546046 ↗
- Bezdek, J. C. (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press. ISBN: 978-0-306-40671-3
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Fuzzy C-Means Clustering (FCM). ScholarGate. https://scholargate.app/cs/machine-learning/fuzzy-c-means
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Granular Computing (Informational Granulace)Soft computing↔ compare
- K-Means shlukováníStrojové učení↔ compare
- Spektrální shlukováníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →