Fuzzy C-Means Clustering (FCM)
Fuzzy C-Means ist ein weicher Clustering-Algorithmus, bei dem jeder Datenpunkt zu jedem Cluster mit einer abgestuften Zugehörigkeit zwischen 0 und 1 gehört, anstatt genau einem Cluster zugewiesen zu werden. Ursprünglich 1973 von Joseph Dunn entwickelt und 1981 von James Bezdek verallgemeinert, minimiert er eine unscharf gewichtete Varianz innerhalb der Cluster, wodurch er sich gut für Daten eignet, deren Gruppen überlappen oder keine scharfen Grenzen aufweisen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Fuzzy C-Means Clustering (FCM). ScholarGate. https://scholargate.app/de/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.
- Granulares Rechnen (Informationsgranulation)Soft Computing↔ compare
- K-Means-ClusteringMaschinelles Lernen↔ compare
- Spektrale ClusteranalyseMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →