文章目录

前言一、安装库 scikit-fuzzy二、具体程序代码（复制可运行）三、结果展示总结

前言

模糊C均值（Fuzzy C-means，FCM）聚类是一种软聚类方法，它允许数据点属于多个聚类，每个数据点对所有聚类的隶属度都不同。这种方法在处理具有不确定性和模糊性的数据时非常有效。

一、安装库 scikit-fuzzy

pip install scikit-fuzzy -i https://pypi.tuna.tsinghua.edu.cn/simple

二、具体程序代码（复制可运行）

import numpy as np

import matplotlib.pyplot as plt

from sklearn import datasets

import skfuzzy as fuzz

import matplotlib

matplotlib.use('TkAgg')

# 加载鸢尾花数据集

iris = datasets.load_iris()

data = iris.data

# 设置模糊C均值聚类的参数

n_clusters = 3 # 聚类数目

max_iter = 100 # 最大迭代次数

fuzziness = 2.0 # 模糊度

# 运行模糊C均值聚类算法

cntr, u, u0, d, jm, p, fpc = fuzz.cluster.cmeans(data.T, n_clusters, m=fuzziness, error=0.005, maxiter=max_iter, init=None)

# 获取最大隶属度的聚类标签

cluster_labels = np.argmax(u, axis=0)

# 绘制聚类图

colors = ['r', 'g', 'b']

for i in range(n_clusters):

cluster_points = data[cluster_labels == i]

plt.scatter(cluster_points[:, 0], cluster_points[:, 1], c=colors[i], label=f'Cluster {i+1}')

plt.xlabel('Sepal length')

plt.ylabel('Sepal width')

plt.title('Fuzzy C-means Clustering of Iris Dataset')

plt.legend()

plt.show()

三、结果展示

总结

详细的代码解释请看我的下一篇博客！

参考阅读

评论可见，请评论后查看内容，谢谢！！！评论后请刷新页面。