聚类——KFCM
聚类
2023-09-27 14:25:20 时间
聚类——认识KFCM算法
作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
一、KFCM概述
KFCM:基于核的改进的模糊c均值聚类算法。它是通过核函数将原始空间中的点映射到特征空间中,考虑到原始空间中的点无法用一个线性函数进行划分,于是将其变换到一个更高维度的空间中,可以在这个高维空间中找到一个线性函数,容易对原始数据进行划分。这个高维空间就叫特征空间。从低维到高维空间的映射函数的内积就叫核函数。将核函数引入机器学习的一个重要原因是:当特征空间维数很高而核函数计算量较之特征空间内的内积运算计算量相对很小时,这样做可以提高计算效率。
基于目标函数的FCM聚类算法存在两大缺陷:一方面,隶属度和为1的约束条件易造成它对对孤立点和噪声敏感;另一方面它本身是一种迭代下降的算法,使得它初始聚类中心敏感且不易收敛于全局最优。KFCM算法提高了聚类性能,使算法对噪声和孤立点具有较好的鲁棒性。
核函数的定义如下:
通过核函数改变模糊c均值聚类算法中的距离函数,定义如下目标函数:
利用拉格朗日的极值必要条件,推出U ,V的迭代式如下:
二、算法的步骤
这种方法通过核函数形成一种映射关系,将原始空间中的点转换到特征空间进行计算与分析,最后得到原始空间的最优划分。将上述基于核的模糊C均值聚类算法记为KFCM。
相关文章
- Spark2.0机器学习系列之9: 聚类(k-means,Bisecting k-means,Streaming k-means)
- 【聚类】详解常用的聚类算法(K-Means、DBSCAN等)
- 机器学习-无监督学习-聚类:聚类方法(三)--- 谱聚类算法(Spectral Clustering)【拉普拉斯矩阵、随机游走拉普拉斯矩阵、对称拉普斯矩阵】
- 声纹技术(五):声纹分割聚类技术
- 图算法(十三):Louvain算法【适用场景:用于社团发掘、层次化聚类等场景】【基于模块度的社区发现算法,其优化目标是最大化整个社区网络的模块度】
- 图算法(十五):Node2vec算法【适用场景:用于节点功能相似性比较、节点结构相似性比较、社团聚类等场景】【调用word2vec算法,把网络中的节点映射到欧式空间,用向量表示节点的特征】
- 机器学习算法之-kemans 聚类算法
- 《白话深度学习与TensorFlow》——1.1 聚类
- 机器学习笔记之聚类算法 层次聚类 Hierarchical Clustering
- 密度聚类算法 - 数据挖掘算法(8)
- MATLAB聚类有效性评价指标(内部)
- 聚类——WKFCM的matlab程序
- 《中国人工智能学会通讯》——11.27 统一先验建模框架 I:约束谱聚类
- Mahout LDA 聚类
- 八种点云聚类方法(二)— KMeans