知识卡片

普通读书笔记卡 · 3737.b

模糊聚类用连续隶属度

理解等级:中级

隶属度 w_ij 表示样本 j 属于第 i 类的程度。硬划分把它限定为 0 或 1;模糊划分允许其在 0 到 1 之间,并保持每个样本对各类的隶属度之和为 1。书中混合属性目标函数用隶属度平方 w² 加权距离,再同时优化原型与划分。

为什么要平方:假设某样本到两个原型的距离分别为 1 和 3。

隶属度 (w₁,w₂) 一次方加权 w·d 平方加权 w²·d
(1, 0) 1 1
(0.5, 0.5) 2 1
(0.75, 0.25) 1.5 0.75

一次方加权时,全给最近原型的 (1,0) 总是最小,“模糊”最优解又退回硬划分;平方加权时 (0.75,0.25) 更小,中间隶属度才真正有意义。这就是“非平凡”扩展的含义。

这张卡片看不懂?

已有反馈 · 0 / 10 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《智能算法导论》第 2 章 2.3.1 节“聚类问题”(`EPUB/xhtml/chapter2_0004.xhtml`);式(2-3)、(2-7)、(2-10),`EPUB/images/image_093.svg`、`image_099.svg`、`image_102.svg`。 - 结论依据:原书先定义硬划分权重 0/1 和每样本权重和为 1,再将混合属性目标函数扩展至 0–1 隶属度并采用平方权重。原书只说平方是为保证扩展非平凡,未解释原因;距离 1 和 3 的对比表为依据目标函数补充的教学演算,非书中数据。 - 原始内容:给 w i j 加上幂指数2,是为了保证硬划分向模糊划分的扩展是非平凡的。