Fuzzy C-Means Clustering (FCM)
Fuzzy C-Means er en blød klyngealgoritme, hvor hvert datapunkt tilhører hver klynge med et gradueret medlemskab mellem 0 og 1, snarere end at blive tildelt præcis én klynge. Den blev oprindeligt udviklet af Joseph Dunn i 1973 og generaliseret af James Bezdek i 1981. Algoritmen minimerer en fuzzy-vægtet varians inden for klyngen, hvilket gør den velegnet til data, hvor grupper overlapper eller mangler skarpe grænser.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 2). Fuzzy C-Means Clustering (FCM). ScholarGate. https://scholargate.app/da/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.
- Granulær databehandling (Informationsgranulering)Soft computing↔ compare
- K-Means ClusteringMaskinlæring↔ compare
- Spektral klyngedannelseMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →