Fuzzy C-Means Clustering (FCM)
Fuzzy C-Means ir mīkstās klasterēšanas algoritms, kurā katrs datu punkts pieder katrai klasei ar pakāpenīgu piederību starp 0 un 1, nevis tiek piešķirts tieši vienai klasei. Autori Džozefs Danijs (Joseph Dunn) 1973. gadā un Džeimss Bezdeks (James Bezdek) 1981. gadā to vispārināja, minimizējot klases iekšējo dispersiju ar mīkstiem svariem, padarot to piemērotu datiem, kuru grupas pārklājas vai nav asas robežas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 2). Fuzzy C-Means Clustering (FCM). ScholarGate. https://scholargate.app/lv/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.
- Granulārā skaitļošana (informācijas granulēšana)Mīkstā skaitļošana↔ compare
- K-Means klasterizācijaMašīnmācīšanās↔ compare
- Spektrālā klasterizācijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →