FCM聚类算法pyhon

FCM (Fuzzy C-means) 聚类算法是一种基于模糊逻辑的聚类算法，用于将数据集分成不同的类别。以下是使用 Python 实现 FCM 聚类算法的示例代码：

import numpy as np

def fcm(data, n_clusters, max_iter=100, m=2):
    # 初始化隶属度矩阵
    U = np.random.rand(n_clusters, data.shape[0])
    U /= np.sum(U, axis=0)

    for _ in range(max_iter):
        # 计算聚类中心
        centroids = np.dot(U ** m, data) / np.sum(U ** m, axis=1, keepdims=True)

        # 计算距离矩阵
        distances = np.linalg.norm(data[:, np.newaxis] - centroids, axis=-1)

        # 更新隶属度矩阵
        U_new = 1 / distances ** (2 / (m - 1))
        U_new /= np.sum(U_new, axis=0)

        # 判断是否收敛
        if np.allclose(U, U_new):
            break

        U = U_new

    # 根据隶属度矩阵确定最终的类别
    labels = np.argmax(U, axis=0)

    return labels

# 示例用法
data = np.array([[1, 2], [2, 3], [8, 7], [9, 8]])
n_clusters = 2
labels = fcm(data, n_clusters)
print(labels)

在上述示例代码中，首先定义了一个 `fcm` 函数来实现 FCM 算法。然后通过传入数据集 `data`、聚类数目 `n_clusters`、最大迭代次数 `max_iter` 和模糊因子 `m`，来进行聚类操作。最后打印出每个样本的类别标签。

注意：上述示例代码仅为简单的示例，实际应用中可能需要根据具体需求进行参数调整和优化。