Kmeans 和 FCM 算法.pdf
需积分: 50 156 浏览量
2021-01-17
12:08:59
上传
评论 1
收藏 658KB PDF 举报
Kmeans 和 FCM 算法
摘要
无监督机器学习作为现在一种主流的机器学习算法，在机器学习领域扮演者
举足轻重的角色，由于大数据时代的数据量太多，而标注始终是一个巨大的问题，
目前最准确的标注方式依然是人工标注，所以采集有标签的数据十分困难且代价
太大，而无监督学习就是为了处理这一类无标签的数据产生的算法。
对于大多数的数据处理，首先要做的就是分类任务，而对于无标签的数据集
来说，我们事先并不知道其具体的类别数，所以只能试探性的选择类数，然后根
据纯度，熵等判据来决定是否未为合适的分类，本文主要采用的是纯度这一度量
指标来作为判据。
Kmeans 算法作为应用最广泛的基于划分的聚类算法之一，适用于处理大样
本数据。是一种典型的基于相似性度量的方法，目标是根据输入参数 K 将数据集
划分为 K 类。由于初始值，相似度，聚类均值计算策略的不同，因而有很多种 K
均值算法的变种。在数据接近球形分布的时候，K 均值算法具有较好的聚类效果。
K 均值算法属于硬聚类算法，它把数据点划分到确切的某一聚类中。而模糊
聚类则是软聚类，数据点可能归属于不止一个聚类，并且这些聚类与数据点通过
一个成员水平联系起来。成员水平显示了数据点与某一聚类之间联系很密切。模
糊聚类就是计算这些成员水平，按照成员水平来决定数据点属于哪一个或哪些聚
类的过程。
本文主要采用 K 均值算法和 FCM 算法对 Iris 和 Sonar 数据集进行分类，由于
这两个数据集是有标签的，所以 K 值是确定的，本文主要针对其他的一些因素来
改变算法，分析其分类效果的异同。
根据求解结果我们可知，在分类 Sonar 数据集时，准确率非常低，这是因为
Sonar 数据集的分布比较集中，并不是适合于 kmeans 分类的球形数据，所以算
法不能很好的对其进行分类。
最后，Kmeans 作为使用最为广泛的聚类算法，其在图像分割领域内也有应
用，我们都知道，图像在计算机中实际为一个数值矩阵，而其在颜色比较相近的
地方，其值也大致相同，而图像一般不会出现图片的情况，突变只会发生在物体
的边缘位置，由此，针对一些颜色比较单一且边缘划分明显的图片，我们使用聚
类算法可以很好的将我们所需要的图片信息提取出来，达到图像分割的目的。
关键词：Kmeans，FCM，图像分割
剩余21页未读，继续阅读
评论0