模糊C均值算法的聚类有效性评价

被引：43

作者：

朴尚哲 ^{[1
,2
]}

超木日力格 ^{[1
]}

于剑 ^{[1
]}

机构：

[1] 北京交通大学计算机与信息技术学院

[2] 金日成综合大学数字图书馆

来源：

模式识别与人工智能 | 2015年 / 28卷 / 05期

关键词：

聚类算法; 有效性指数; 模糊C均值(FCM);

D O I：

10.16451/j.cnki.issn1003-6059.201505009

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

模糊C均值(FCM)聚类算法最终形成的聚类质量会受到初始值的设定、簇的个数选定及参数选择等多方面因素的影响.文中对最近发表的5种代表性聚类有效性指数在不同的数据维数、聚类个数和参数等条件下对FCM的聚类有效性评价结果进行对比分析.实验结果表明基于类内紧致度和类间离散度比值的聚类有效性指数对数据维度及噪声较为鲁棒,基于隶属度的聚类有效性指数不适于高维数据等,上述结果可帮助研究人员在不同的应用环境下选择合适的模糊聚类有效性函数.

引用

页码：452 / 461

页数：10

共 13 条

[1] 模糊聚类算法的研究与实现 [J].