模糊 C 均值 · 深度手册

分类：聚类分类 ｜难度：★★☆ 进阶｜编号：fcm

一、这是什么（一句话用途）

允许样本属多簇的软聚类

二、核心思想

普通 K-Means 强制每个样本"非此即彼"地属于唯一簇，但现实中很多对象具有多重属性——一个用户可能既爱运动又爱数码。模糊 C 均值（FCM）放宽这一假设，用"隶属度" $u_{ik}\in[0,1]$ 表示样本 $i$ 对各簇 $k$ 的归属强度（所有簇隶属度之和为 1），从而得到软划分。它比硬聚类更贴合模糊现实，常用于模式识别、图像分割与用户画像的"交叉兴趣"建模。

三、数学原理与推导

目标函数（带模糊指数 $m>1$ ）：

$J=\sum_{i=1}^{N}\sum_{k=1}^{C}u_{ik}^m\|x_i-v_k\|^2$

$v_k$ 为簇中心， $u_{ik}$ 为隶属度须满足 $\sum_k u_{ik}=1$ 。用 Lagrange 乘子法对 $u_{ik},v_k$ 交替求极值：

隶属度更新：

$u_{ik}=\frac{1}{\sum_{j=1}^{C}\left(\frac{\|x_i-v_k\|}{\|x_i-v_j\|}\right)^{2/(m-1)}}$

中心更新（加权均值）：

$v_k=\frac{\sum_{i=1}^{N}u_{ik}^m x_i}{\sum_{i=1}^{N}u_{ik}^m}$

交替迭代至 $J$ 收敛。 $m$ 常取 2，越大划分越模糊；需预设簇数 $C$ 。最终以最大隶属度决定主簇，或保留隶属度向量作软标签。

四、建模 / 求解步骤

设簇数 c 与模糊指数 m
初始化隶属度
更新聚类中心
更新隶属度
收敛得软划分

五、关键公式速查

J=ΣΣ u_ik^m ‖x_i−v_k‖²；u_ik=1/Σ(‖x_i−v_j‖/‖x_i−v_k‖)^(2/(m−1))

六、典型示例

用户兴趣跨多类(既爱运动又爱数码)的软分群。

完整算例（数字演示，照着算一遍）

场景：同 K-Means 数据，K=2，模糊指数 m=2，迭代 20。

隶属度：点(2,2)对簇1 u=0.92、簇2 u=0.08；点(5,5)相反。

结论：FCM 给出软归属，适合边界模糊的样本。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","fcm.csv"))
X = df[["x","y"]].to_numpy(dtype=float)
C=3; m=2; rng=np.random.default_rng(8)
U=rng.random((len(X),C)); U/=U.sum(1,keepdims=True)
for _ in range(50):
    V=(U.T**m @ X)/(U.T**m).sum(1,keepdims=True)
    d=np.linalg.norm(X[:,None]-V[None],axis=2)
    U=1/((d+1e-9)**(2/(m-1)))
    U/=U.sum(1,keepdims=True)
labels=U.argmax(1)
print("隶属矩阵(前3样本):\n", np.round(U[:3],2))
print("簇中心:\n", np.round(V,2))

配套文件：py_fcm.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% 模糊 C 均值示例（MATLAB/Octave）
df = readtable('..\datasets\fcm.csv');
X = table2array(df(:,1:2)); C=3; m=2; rng(8);
U=rand(height(X),C); U=U./sum(U,2);
for i=1:50
  V=(U'.^m*X)./sum(U'.^m,2);
  d=sqrt(sum((X-V).^2,2)); d=1./(d.^(2/(m-1))+1e-9); U=d./sum(d,2);
end
[~,labels]=max(U,[],2); disp(V);

配套文件：m_fcm.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

50 个二维点（2 簇）。用于模糊 C 均值软聚类，看隶属度。

字段：x, y
行数：50 行
下载：fcm.csv

十、常见误区与避坑清单

m 常取 2
初始敏感
需预设 c

十一、结果怎么解读

隶属度向量即各簇归属强度。

十二、常与谁搭配

硬聚类用 KMeans。

十三、论文写作技巧（怎么把它写进论文）

把 模糊 C 均值 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

区分你要的是无监督划分（聚类）还是有监督判别（分类）。说明特征维度与样本量，以及为什么选模糊 C 均值（如非线性边界用核方法、高维稀疏用线性、需概率输出用贝叶斯）。

2. 结果怎么写（图表与指标）

聚类给散点图着色 + 轮廓系数 / 肘部图；分类给混淆矩阵 + 准确率 / F1 / ROC 曲线。特征重要性图能加分。

3. 可直接套用的写作话术

中文模板：针对<问题>，本文采用 模糊 C 均值 进行允许样本属多簇的软聚类。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
英文模板：To address , we adopt 模糊 C 均值 to 允许样本属多簇的软聚类. Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

聚类要说明簇数怎么定（不是拍脑袋）；分类要交代训练 / 测试划分与交叉验证，避免过拟合误报高精度。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

为揭示客户群体的内在结构，本文采用模糊 C 均值将 1,200 条样本划分为 4 类（轮廓系数=0.61），各类在消费频次与客单价上差异显著，为精准营销提供依据。

To reveal the intrinsic structure of customers, we apply 模糊 C 均值 to partition 1,200 samples into 4 clusters (silhouette=0.61); the groups differ markedly in purchase frequency and average order value, supporting targeted marketing.

十四、相关手册（延伸阅读）

K-Means 聚类 · 聚类分类

十五、本手册导航

上一篇：决策树 · 聚类分类
下一篇：差分方程模型 · 经典模型
返回：算法深度手册库｜资料站首页

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。