模糊K均值聚类算法

与K-means的不同之处在于：允许存在样本属于多个簇，也就是我们说的可重叠的聚类算法。
思想：
模糊K均值聚类并不是将对象分给最近的簇，而是计算向量和各个簇之间的相关性。假设有一个向量V，有K个簇，V和这K个簇的中心的距离是$d_1,d_2,....,d_k$,则V到第一个簇的相关性为：
$$U_1=\frac{1}{{\frac{d_1}{d_1}}^{\frac{2}{m-1}}+{\frac{d_1}{d_2}}^{\frac{2}{m-1}}+...+{\frac{d_1}{d_k}}^{\frac{2}{m-1}}}$$

$m\in (1,2)$,m越大，模糊性就越大，m是模糊参数。

心得：
1.当V和第一个簇的相关性很高时，与其他簇的相关性很低时，$d_1$很小，$d_i(i=,2,3,4,...K)$很大时，$U_1$的值很大，表示该向量V可以分给第一个簇。
2.由（1）可知，相关性大小有个阈值，通过这个阈值判断出相关性为多少的向量可分到簇上，这个阈值大小决定了一个向量能够分到几个簇上。
3.当阈值大小很高时，可理解为K-means,当阈值大小=0时，向量飞到所有簇上，
4.当m值越接近1时，$\frac{2}{m-1}$就越大，其计算出的相关性就越大，每个向量的相关性差别也较大，更容易分开向量到不同簇上，其模糊性就越小；
当m值接近2时，$\frac{2}{m-1}$就越小，其计算出的相关性就越小，不同向量的相关性差异也较小，则同一个簇上可能会分到很多向量，所以其模糊性就越小；