The objective functions are virtual

The objective functions are virtually identical, the only difference being the introduction of a vector which expresses the percentage of belonging of a given point to each of the clusters. This vector is submitted to a "stiffness" exponent aimed at giving more importance to the stronger connections (and conversely at minimizing the weight of weaker ones); incidently, when the stiffness factor tends towards infinity the resulting vector becomes a binary matrix, hence making the FCM model identical to that of the K-Means.

I think that except for some possible issue with the clusters which have no points assigned to them, it is possible to emulate the K-Means algorithm with that of the FCM one, by simulating an infinite stiffness factor (= by introducing a function which changes the biggest value in the vector to 1, and zeros out the other values, in lieu of the exponentiation of the vector). This is of course a very inefficient way of running a K-Means, because the algorithm then has to perform as many operations as with a true FCM (if only with 1 and 0 values, which does simplify the arithmetic, but not the complexity)

ผลลัพธ์ (ไทย) 1:

ฟังก์ชันวัตถุประสงค์แทบเหมือนกัน แตกต่างการนำเวกเตอร์ที่แสดงเปอร์เซ็นต์ของการเป็นสมาชิกของคลัสเตอร์ในแต่ละจุดกำหนด เวกเตอร์นี้จะถูกส่งไปยก "ความแข็ง" ที่มุ่งให้ความสำคัญกับการเชื่อมต่อที่แข็งแกร่ง (และในทางกลับกันในการลดน้ำหนักของคนแกร่ง); incidently ตัวความแข็งมีแนวโน้มไปทางไร้งบเวกเตอร์เมื่อ เมทริกซ์ฐานสอง จึง ทำรุ่น FCM เหมือนกับ K-หมายถึงการ

คิดว่า ยกเว้นบางปัญหาเป็นคลัสเตอร์ซึ่งมีจุดไม่กำหนดไว้ จำเป็นต้องจำลอง K หมายถึงอัลกอริทึมที่ FCM หนึ่ง โดยจำลองปัจจัยการตึงอนันต์ (= โดยการแนะนำฟังก์ชันที่เปลี่ยนค่าที่ใหญ่ที่สุดในเวกเตอร์ 1 และศูนย์หาค่าอื่น ๆ ไปว่าใช้แทนเลขยกกำลังของเวกเตอร์) นี้เป็นหลักสูตรที่ใช้ K-หมายถึง วิธีต่ำมากเนื่องจากอัลกอริทึมมีแล้วทำงานมากกับ FCM จริง (ถ้าเท่ากับ 0 และ 1 ค่า ซึ่งไม่ง่ายเลขคณิต แต่ไม่ซับซ้อน)

ผลลัพธ์ (ไทย) 2:

ฟังก์ชั่นวัตถุประสงค์เป็นจริงเหมือนที่แตกต่างการแนะนำของเวกเตอร์ที่แสดงค่าร้อยละของการเป็นเจ้าของของจุดที่กำหนดให้กับแต่ละกลุ่ม เวกเตอร์นี้ถูกส่งไปยัง "ตึง" สัญลักษณ์ที่มุ่งให้ความสำคัญกับการเชื่อมต่อมากขึ้น (และตรงกันข้ามในการลดน้ำหนักของคนที่อ่อนแอกว่า); บังเอิญเมื่อปัจจัยความแข็งมีแนวโน้มที่มีต่ออินฟินิตี้เวกเตอร์ที่เกิดขึ้นจะกลายเป็นเมทริกซ์ไบนารีจึงทำให้รูปแบบ FCM เหมือนกับที่ K-หมายถึงผมคิดว่ายกเว้นสำหรับปัญหาที่เป็นไปได้บางอย่างกับกลุ่มที่มีจุดที่ไม่ได้รับมอบหมายให้กับพวกเขา มันเป็นไปได้ที่จะเลียนแบบขั้นตอนวิธี K-หมายถึงกับที่ของหนึ่ง FCM โดยการจำลองปัจจัยความมั่นคงที่ไม่มีที่สิ้นสุด (= โดยการแนะนำฟังก์ชั่นซึ่งการเปลี่ยนแปลงมูลค่าที่ใหญ่ที่สุดในเวกเตอร์ 1 และเลขศูนย์ออกค่าอื่น ๆ แทน การยกของเวกเตอร์) นี้แน่นอนเป็นวิธีที่ไม่มีประสิทธิภาพมากของการใช้ K-หมายถึงเพราะขั้นตอนวิธีแล้วมีการดำเนินการเป็นจำนวนมากเช่นเดียวกับความจริง FCM (ถ้ามีเพียง 1 คนและ 0 ค่าซึ่งไม่ง่ายเลขคณิต แต่ไม่ซับซ้อน)

ผลลัพธ์ (ไทย) 3:

วัตถุประสงค์การทำงาน จวนเหมือนกัน ต่างกันเพียงการแนะนำของเวกเตอร์ที่แสดงเปอร์เซ็นต์ของของจุดที่กำหนดให้ของแต่ละกลุ่ม เวกเตอร์นี้เป็น " ตึง " เลขที่มุ่งให้ความสำคัญกับการเชื่อมต่อที่แข็งแกร่ง ( และในทางกลับกันในการลดน้ำหนักของคนที่อ่อนแอ incidently ) ; ,เมื่อปัจจัยความแข็งมีแนวโน้มไปสู่ Infinity ซึ่งเป็นเมทริกซ์เวกเตอร์ไบนารีจึงทำให้ FCM รูปแบบเหมือนกับที่ของ k-means

ฉันคิดว่า ยกเว้นบางปัญหาที่เป็นไปได้กับ กลุ่มที่ไม่มีจุดให้กับพวกเขา มันเป็นไปได้ที่จะเลียนแบบ k-means อัลกอริทึมกับของอวัยวะหนึ่งโดยจำลองเป็นปัจจัยค่าอนันต์ ( = โดยการนำฟังก์ชันที่เปลี่ยนแปลงมูลค่าที่ใหญ่ที่สุดในเวกเตอร์ 1 และศูนย์ออก ค่าอื่น ๆแทนของการยกกำลังของเวกเตอร์ ของหลักสูตรนี้เป็นวิธีที่ไม่มีประสิทธิภาพของการใช้ k-means เพราะวิธีนั้น ได้ดำเนินการการดำเนินงานเป็นจำนวนมากด้วย FCM จริง ( ถ้า 1 และ 0 ค่าซึ่งจะลดความซับซ้อนของคณิตศาสตร์ แต่ไม่ซับซ้อน )