写一段FCM算法实现的聚类问题的代码

下面是一个简单的FCM算法实现的聚类问题的Python代码：

import numpy as np
from scipy.spatial.distance import cdist

def fcm(data, n_clusters, m=2, max_iters=100, error=1e-5):
    n_samples = data.shape[0]
    n_features = data.shape[1]
    centers = np.random.rand(n_clusters, n_features)
    weights = np.random.rand(n_samples, n_clusters)
    weights /= np.sum(weights, axis=1)[:, np.newaxis]

    for i in range(max_iters):
        # 计算聚类中心
        centers_old = centers.copy()
        for j in range(n_clusters):
            centers[j, :] = np.sum((weights[:, j] ** m)[:, np.newaxis] * data, axis=0) / \
                            np.sum(weights[:, j] ** m)
        
        # 计算权重矩阵
        distances = cdist(data, centers)
        for j in range(n_clusters):
            weights[:, j] = 1 / np.sum((distances[:, j] / distances) ** (2 / (m - 1)), axis=1)
        weights /= np.sum(weights, axis=1)[:, np.newaxis]

        # 计算误差
        if np.linalg.norm(centers - centers_old) < error:
            break

    return centers, weights

这段代码将数据矩阵 `data` 分成 `n_clusters` 个类，并返回每个类的聚类中心和每个样本属于每个类的权重。其中，`m` 是模糊指数，`max_iters` 是最大迭代次数，`error` 是误差容限。在每次迭代中，先根据当前权重矩阵计算每个类的聚类中心，再根据当前聚类中心计算每个样本属于每个类的权重，最后根据当前权重矩阵和聚类中心计算误差。当误差小于误差容限时，停止迭代。