Bulanık C-Ortalamalar Kümelemesi (FCM)
Fuzzy C-Means Clustering (FCM) · Ayrıca şöyle bilinir: FCM, fuzzy clustering, soft k-means, bulanık c-ortalama kümeleme
Bulanık C-Ortalamalar, her veri noktasının 0 ile 1 arasında derecelendirilmiş bir üyelikle her kümeye ait olduğu, tek bir kümeye atanmak yerine yumuşak bir kümeleme algoritmasıdır. Joseph Dunn tarafından 1973'te ortaya atılan ve James Bezdek tarafından 1981'de genelleştirilen bu algoritma, küme içi varyansı bulanık ağırlıklı olarak minimize eder, bu da onu grupların örtüştüğü veya keskin sınırlarının olmadığı veriler için uygun hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kümelerin gerçekten örtüştüğü veya sınırların kademeli olduğu ve katı atamalar yerine derecelendirilmiş üyelik istediğinizde Bulanık C-Ortalamaları kullanın — görüntü segmentasyonu, tıbbi ve uzaktan algılama verileri, örüntü tanıma ve biyoinformatik alanlarında yaygındır. Üyelik değerleri kendi başlarına bilgilendiricidir (örneğin, belirsiz, kümeler arası noktaları işaretler). k-ortalama gibi, küme sayısı c'yi seçmeyi gerektirir, başlatmaya ve bulanıklaştırma m'ye duyarlıdır, Öklid mesafesi aracılığıyla kabaca küresel kümeler varsayar ve aykırı değerlerden etkilenebilir (bunlar hala önemli üyelik alır). Sezgisel bir bulanık bölüm yerine olasılıksal bir üretken model istediğinizde, Gauss karışım modelleri doğal alternatiftir; dışbükey olmayan kümeler için yoğunluk veya graf tabanlı yöntemler daha iyi uyar.
Güçlü yönler & sınırlılıklar
- Derecelendirilmiş üyelikler, katı kümelemenin kaybettiği örtüşmeyi ve belirsizliği yakalar.
- Üyelik değerleri kendi başlarına bilgilendiricidir (küme başına nokta başına güven).
- k-ortalama ile yakından ilişkili basit, hızlı koordinat inişi güncellemeleri.
- Görüntü segmentasyonu ve örüntü tanıma için yaygın olarak etkilidir.
- Küme sayısı c ve bulanıklaştırma m'nin önceden seçilmesini gerektirir.
- Başlatmaya duyarlıdır ve yerel minimumlara yakınsayabilir.
- Öklid hedefi kabaca küresel, benzer büyüklükte kümeler varsayar.
- Önemli olmayan üyelik alan aykırı değerlere duyarlıdır.
SSS
Bulanık C-Ortalamalar k-ortalama'dan nasıl farklıdır?
k-ortalama her noktayı tam olarak bir kümeye atar (katı bölüm); Bulanık C-Ortalamalar, kümeler genelinde toplandığında bire eşit olan derecelendirilmiş üyelikler atar (yumuşak bölüm). FCM'nin merkez güncellemesi, basit bir ortalama yerine üyelik ağırlıklı bir ortalamadır. Kümeler örtüştüğünde veya atama güveni önemli olduğunda FCM tercih edilir.
Bulanıklaştırma üssü m neyi kontrol eder?
m > 1, üyeliklerin ne kadar yumuşak olduğunu belirler. m 1'e yaklaştıkça, FCM katı k-ortalama gibi davranır; daha büyük m, üyelikleri daha tekdüze ve örtüşen hale getirir. m = 2 yaygın bir varsayılan değerdir, ancak küme sınırlarının gerçekte ne kadar kademeli olduğunu yansıtmalıdır.
Bulanık C-Ortalamalar olasılıksal bir model midir?
Hayır. Üyelikleri, üretken bir modelden gelen olasılıklar değil, bulanık bir hedeften gelen sezgisel ağırlıklardır. Bir olasılık ve model seçimi ile olasılıksal bir yumuşak kümeleme istiyorsanız, EM ile uydurulmuş bir Gauss karışım modeli uygun alternatiftir.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Fuzzy C-Means Clustering (FCM). ScholarGate. https://scholargate.app/tr/machine-learning/fuzzy-c-means
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Granüler Hesaplama (Bilgi Granülasyonu)Esnek hesaplama↔ karşılaştır
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır
- Spektral KümelemeMakine öğrenmesi↔ karşılaştır