基于类内差异和类间重叠的有效性函数

模糊C-均值(FCM)聚类算法的一个主要问题是需要事先确定聚类的数目,为此定义了类内差异度和类间重叠度来分别度量同一个聚类中数据的相似度和不同聚类间的分离程度,进而基于这两个度量提出一个新的有效性函数用于判定最佳聚类数目。实验结果表明,该有效性函数能有效地判定聚类数目,并且有较好的鲁棒性。

基于错误度量的模糊聚类有效性函数

聚类的错误主要表现为两种形式:将原属不同类的数据分到同一个聚类和将原属同一类的数据分到不同聚类.文中提出类内不一致性和类间重叠度两个指标分别度量聚类中出现这两类错误的程度.一个好的模糊分割中包含的聚类错误应尽可能少.同时,聚类紧致度应尽可能大.基于这两个错误度量指标和紧致性度量,提出一种有效性函数来判断模糊聚类的有效性.实验结果表明,提出的有效性函数能有效判断最佳聚类数并且有较好的鲁棒性.