可能性模糊C均值聚类 Python代码

以下是使用Python实现模糊C均值聚类算法的示例代码：

import numpy as np

class FuzzyCMeans:
    def __init__(self, n_clusters=2, max_iter=100, m=2, error=1e-5):
        self.n_clusters = n_clusters
        self.max_iter = max_iter
        self.m = m
        self.error = error

    def fit(self, X):
        n_samples, n_features = X.shape
        # 初始化隶属度矩阵U
        U = np.random.rand(n_samples, self.n_clusters)
        U = np.divide(U, np.sum(U, axis=1)[:, None])
        iter_num = 0
        while iter_num <= self.max_iter:
            # 计算聚类中心
            centroids = np.dot(U.T, X) / np.sum(U, axis=0)[:, None]
            # 计算距离矩阵D
            D = np.zeros((n_samples, self.n_clusters))
            for i in range(self.n_clusters):
                D[:, i] = np.linalg.norm(X - centroids[i], axis=1)
            # 更新隶属度矩阵U
            U_old = U.copy()
            U = np.power(D, -2/(self.m-1))
            U = np.divide(U, np.sum(U, axis=1)[:, None])
            # 判断是否收敛
            if np.linalg.norm(U - U_old) < self.error:
                break
            iter_num += 1
        self.centroids = centroids
        self.U = U
        return centroids, U

if __name__ == '__main__':
    X = np.random.rand(100, 2)
    fcm = FuzzyCMeans(n_clusters=2)
    centroids, U = fcm.fit(X)
    print('聚类中心：\n', centroids)
    print('隶属度矩阵：\n', U)

在上述代码中，我们首先定义了一个名为`FuzzyCMeans`的类，它包含了模糊C均值聚类算法的初始化函数和拟合函数。其中，初始化函数中设置了聚类数量、最大迭代次数、模糊指数和误差阈值等参数。拟合函数则接收一个数据矩阵`X`作为输入，输出聚类中心和隶属度矩阵。

在拟合函数中，我们首先对隶属度矩阵进行了初始化，并在循环中不断更新聚类中心和隶属度矩阵，直到满足误差阈值或达到最大迭代次数为止。最终，我们返回了聚类中心和隶属度矩阵两个结果。

在代码的最后，我们生成了一个随机的二维数据矩阵，并使用上述代码进行了聚类。