K-Means和FCM聚类

K均值聚类是基于原型的、划分的聚类方法。聚类数K由用户指定，初始的K个聚类中心随机选取，然后将每个点分派到最近的聚类中心，形成K个簇，接下来重新计算每个簇的聚类中心，重复上一步，直到簇不发生变化或达到最大迭代次数为止。距离度量有欧氏距离、曼哈顿距离、切比雪夫距离、余弦距离等。欧式距离容易受指标不同单位刻度的影响，值越大，个体间差异越大；而余弦距离不受指标刻度的影响，值越大，差异越小。

簇的最小化误差平方和或最大化余弦相似度和的最佳聚类中心是簇中各点的均值。

单连接距离：一个类的所有成员到另一个类的所有成员之间的最短最短两点之间的距离；

全连接距离：两个类中最远的两个点之间的距离；

平均连接距离：两个类中的点两两的距离求平均；

K-Means简单易于实现，但K值需要预先给定，对初始聚类中心比较敏感，在大规模数据时收敛慢。改进版二分K-Means、K-Means++和批处理K-Means。

与FCM的区别：K-Means属于硬聚类，FCM属于软聚类；K-Means计算的值非0即1，FCM通过赋予隶属度权重，计算概率(百分比)来判断当前数据哪一个cluster。

				<script>
					(function(){
						function setArticleH(btnReadmore,posi){
							var winH = $(window).height();
							var articleBox = $("div.article_content");
							var artH = articleBox.height();
							if(artH > winH*posi){
								articleBox.css({
									'height':winH*posi+'px',
									'overflow':'hidden'
								})
								btnReadmore.click(function(){
									articleBox.removeAttr("style");
									$(this).parent().remove();
								})
							}else{
								btnReadmore.parent().remove();
							}
						}
						var btnReadmore = $("#btn-readmore");
						if(btnReadmore.length>0){
							if(currentUserName){
								setArticleH(btnReadmore,3);
							}else{
								setArticleH(btnReadmore,1.2);
							}
						}
					})()
				</script>
				</article>