User:LordYuriy/sandbox

FLAME кластеризація (англ. Fuzzy clustering by Local Approximation of MEmberships - нечітка кластеризація за локально близькими елементами) - це алгоритм кластеризації даних, який визначає кластери в найгустіших частинах набору даних і виконує приписування до кластера, базуючись на зв’язках між сусідніми об’єктами.

Опис алгоритму FLAME

Алгоритм FLAME в основному поділяється на три кроки:

Отримання структурованих даних з набору даних:
1. Побудова графа зв’язку для об’єднання кожного об’єкта з його К-Найближчими Сусідами(КНС);
2. Визначення густини для кожного об’єкта, базуючись на їх близькості до їх КНС;
3. Об’єкти поділяються на 3 типи:
  1. Об’єкти Підтиримки Кластра(ОПК): об’єкти з більшою густиною, ніж в інших об’єктів;
  2. Крайні об’єкти: об’єкти з меншою густиною, ніж інших сусідніх об’єктів і меншою ніж якийсь наперед заданий поріг;
  3. Всі інші.
Локальне/Сусідське наближення нечіткої приналежності:
1. Ініціалізкація нечіткої приналежності:
  1. Кожен ОПК чітко прикріплений до одного з кластерів і представляє його;
  2. Всі крайні об’єкти чітко прикріплені до групи "За межами"(ЗМ);
  3. Всі інші об’єкти порівну відносяться до всіх кластерів і групи ЗМ;
2. Після цього нечітку приналежність об’єкктів всіх типів змінюють за збіжним ітераційним алгоритмом, який називається Локальне/Сусідське Наближення Нечіткої Приналежності. В цьому алгоритмі нечітку приналежність кожного об’єкта оновлють за лінійною компбінацією нечіткої приналежності його найближчих сусідів.
Побудова кластера з неічткої приналежності двома можливими шляхами:
1. Один-до-одного: приписування об’єкта до кластера, до якого він має більшу приналежність
2. Один до багатьох: приписування об’єкта до кластера, до якого він має приналежніть більшу за значення певного порогу.

Проста ілюстрація кластеризації двовимірного тестового набору даних

Див. також

Зовнішні посилання

FLAME - an unsupervised learning algorithm