Кластерные квазислучайные данные Используя нечеткую C-среднюю кластеризацию

В этом примере показано, как кластеризация FCM работает с помощью квазислучайных двумерных данных.

Загрузите набор данных и постройте его.

load fcmdata.dat
plot(fcmdata(:,1),fcmdata(:,2),'o')

Затем вызовите функцию командной строки, fcm, чтобы найти два кластера в этом наборе данных до, целевая функция больше не уменьшается очень вообще.

[center,U,objFcn] = fcm(fcmdata,2);

Iteration count = 1, obj. fcn = 8.970479
Iteration count = 2, obj. fcn = 7.197402
Iteration count = 3, obj. fcn = 6.325579
Iteration count = 4, obj. fcn = 4.586142
Iteration count = 5, obj. fcn = 3.893114
Iteration count = 6, obj. fcn = 3.810804
Iteration count = 7, obj. fcn = 3.799801
Iteration count = 8, obj. fcn = 3.797862
Iteration count = 9, obj. fcn = 3.797508
Iteration count = 10, obj. fcn = 3.797444
Iteration count = 11, obj. fcn = 3.797432
Iteration count = 12, obj. fcn = 3.797430

center содержит координаты двух кластерных центров, U содержит классы членства для каждой из точек данных и objFcn содержит историю целевой функции через итерации.

fcm функция является циклом итерации, созданным сверх следующих стандартных программ:

Чтобы просмотреть прогресс кластеризации, постройте целевую функцию.

figure
plot(objFcn)
title('Objective Function Values')   
xlabel('Iteration Count')
ylabel('Objective Function Value')

Наконец, постройте два кластерных центра, найденные fcm функция. Крупные символы в графике указывают на кластерные центры.

maxU = max(U);
index1 = find(U(1,:) == maxU);
index2 = find(U(2,:) == maxU);
figure
line(fcmdata(index1,1), fcmdata(index1,2), 'linestyle',...
                        'none','marker', 'o','color','g')
line(fcmdata(index2,1),fcmdata(index2,2),'linestyle',...
                        'none','marker', 'x','color','r')
hold on
plot(center(1,1),center(1,2),'ko','markersize',15,'LineWidth',2)
plot(center(2,1),center(2,2),'kx','markersize',15,'LineWidth',2)

Примечание: Каждый раз вы запускаете этот пример, fcm функция инициализирует различными начальными условиями. Это поведение подкачивает порядок, в котором кластерные центры вычислены и построены.

Смотрите также

fcm

Похожие темы

• Нечеткая кластеризация