weka添加算法VIP免费

S100501179 计算机系统结构 连忠林 weka 中添加FuzzyCMeans 算法 WEKA 作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化，通过 myeclipse 平台向 weka 中添加算法接口。 FuzzyCMeans 算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊 C 均值算法是普通 C 均值算法的改进，普通 C 均值算法对于数据的划分是硬性的，而 FCM 则是一种柔性的模糊划分。 一、模糊 C 均值聚类 模糊 C 均值聚类（FCM），即众所周知的模糊 ISODATA，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。1973 年，Bezdek 提出了该算法，作为早期硬 C 均值聚类（HCM）方法的一种改进。 FCM 把 n 个向量xi（i=1,2,…,n）分为c 个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM 与 HCM 的主要区别在于 FCM 用模糊划分，使得每个给定数据点用值在 0，1 间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应，隶属矩阵 U 允许有取值在 0，1 间的元素。不过，加上归一化规定，一个数据集的隶属度的和总等于 1： ciijnju1,...,1,1 (6.9) 那么，FCM 的价值函数（或目标函数）就是式（6.2）的一般化形式： cinjijmijciicduJccUJ1211),...,,(， (6.10) 这里 uij 介于 0，1 间；ci 为模糊组 I 的聚类中心，dij=||ci-xj||为第 I 个聚类中心与第 j 个数据点间的欧几里德距离；且 ,1m是一个加权指数。 构造如下新的目标函数，可求得使（6.10）式达到最小值的必要条件： njciijjcinjijmijnjciijjcncuduuccUJccUJ111211111)1()1(),...,,(),...,,,...,,( (6.11) 这里j，j=1 到 n，是（6.9）式的n 个约束式的拉格朗日乘子。对所有输入参量求导，使式（6.10）达到最小的必要条件为： njmijnjjmijiuxuc11 (6.12) 和 ckmkjijijddu1)1/(21 (6.13) 由上述两个必要条件，模糊C 均值聚类算法是一个简单的迭代过程。在批处理方式运行时，FCM 用下列步骤确定聚类中心ci 和隶属矩阵U[1]： 步骤1：用值在0，1 间的随机数初始化隶属矩阵U，使其满足式（6.9）中的约束条...