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:
 * 1) Отримання структурованих даних з набору даних:
 * 2) Побудова графа зв’язку для об’єднання кожного об’єкта з його К-Найближчими Сусідами(КНС);
 * 3) Визначення густини для кожного об’єкта, базуючись на їх близькості до їх КНС;
 * 4) Об’єкти поділяються на 3 типи:
 * 5) Об’єкти Підтиримки Кластра(ОПК): об’єкти з більшою густиною, ніж в інших об’єктів;
 * 6) Крайні об’єкти: об’єкти з меншою густиною, ніж інших сусідніх об’єктів і меншою ніж якийсь наперед заданий поріг;
 * 7) Всі інші.
 * 8) Локальне/Сусідське наближення нечіткої приналежності:
 * 9) Ініціалізкація нечіткої приналежності:
 * 10) Кожен ОПК чітко прикріплений до одного з кластерів і представляє його;
 * 11) Всі крайні об’єкти чітко прикріплені до групи "За межами"(ЗМ);
 * 12) Всі інші об’єкти порівну відносяться до всіх кластерів і групи ЗМ;
 * 13) 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.
 * 14) Побудова кластера з неічткої приналежності двома можливими шляхами:
 * 15) Один-до-одного: приписування об’єкта до кластера, до якого він має більшу приналежність
 * 16) Один до багатьох: приписування об’єкта до кластера, до якого він має приналежніть більшу за значення певного порогу.

Див. також

 * Кластерний аналіз
 * Нечітка кластеризація

Зовнішні посилання

 * FLAME - an unsupervised learning algorithm