Zusammenfassung
Nach einem kurzen Überblick über Fuzzy-Methoden in der Datenanalyse konzentriert sich dieses Kapitel auf die Fuzzy-Clusteranalyse—dem ältesten Fuzzy-Ansatz zur Datenanalyse. Dabei bezeichnet „Fuzzy-Clustering“ i.w. eine Familie von prototypbasierten Clusteranalyse-Methoden, die alle als die Aufgabe formuliert werden können, eine bestimmte Zielfunktion zu minimieren. Diese Methoden können aufgefaßt werden als „Fuzzifizierungen“ z.B. des klassischen c-Means-Algorithmus, der versucht, die Summe der (quadrierten) Abstände zwischen den Datenpunkten und den ihnen jeweils zugeordneten Clusterzentren zu minimieren. Um einen solchen „scharfen“ (engl. crisp) Ansatz zu „fuzzifizieren“ ist es jedoch nicht ausreichend, für die Variablen, die die Zuordnung der Datenpunkte zu den Clustern beschreiben, einfach Werte aus dem Einheitsintervall zuzulassen: das Minimum der Zielfunktion wird dann immer noch für eine eindeutige Zuordnung der Datenpunkte zu den Clustern angenommen (Partitionierung der Daten).
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2015 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Kruse, R., Borgelt, C., Braune, C., Klawonn, F., Moewes, C., Steinbrecher, M. (2015). Fuzzy Clustering. In: Computational Intelligence. Computational Intelligence. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-10904-2_22
Download citation
DOI: https://doi.org/10.1007/978-3-658-10904-2_22
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-10903-5
Online ISBN: 978-3-658-10904-2
eBook Packages: Computer Science and Engineering (German Language)