جارٍ تحميل الدرس...
في نافذة الطباعة اختر «حفظ كملف PDF» كوجهة.
التعلم الآلي والذكاء الاصطناعي، الدرس الرابع
تجميع ضبابي (Soft Clustering) حيث تنتمي كل نقطة إلى جميع المجموعات بدرجة معينة
K-Means، لا تجبر أي نقطة على الانتماء إلى مجموعة واحدة فقطالبداية
تهيئة مصفوفة الانتماء
قيم عشوائية
حساب المراكز
حساب المسافات
تحديث درجات الانتماء
تحقق التقارب؟
النهاية
1[0,1]، كل عمود (نقطة) مجموع قيمه يساوي 1mm20.01مثال تطبيقي
(1,3)، (2,5)، (4,8)، (7,9) - مجموعتان، m = 2| المجموعة | (1,3) | (2,5) | (4,8) | (7,9) |
|---|---|---|---|---|
| 1 | 0.8 | 0.7 | 0.2 | 0.1 |
| 2 | 0.2 | 0.3 | 0.8 | 0.9 |
مثال تطبيقي
1: (1.568, 4.051) - منجذب نحو النقاط ذات المؤشر المنخفض2: (5.35, 8.215) - منجذب نحو النقاط ذات المؤشر المرتفعمثال تطبيقي
(1,3) و (7,9)| النقطة | المسافة إلى المركز 1 | المسافة إلى المركز 2 | درجة الانتماء |
|---|---|---|---|
| (1,3) | 1.2 | 6.79 | [0.97, 0.03] |
| (7,9) | 7.34 | 1.82 | [0.06, 0.94] |
m)| القيمة | الأثر |
|---|---|
m = 1 | تجميع حاد (Hard Clustering) - مكافئ لخوارزمية K-Means |
m = 2 | التجميع الضبابي القياسي (الخيار الأكثر شيوعا) |
m > 2 | ضبابية أكبر - تتوزع درجات الانتماء بشكل أكثر تساويا بين النقاط |
| الفئة | التفاصيل |
|---|---|
| التطبيقات | تجزئة الصور (Image Segmentation)، المعلوماتية الحيوية، تقسيم العملاء، التشخيص الطبي |
| المزايا | تصنيفات مرنة (Soft Assignments)، يتعامل مع المجموعات المتداخلة، أقل حساسية للتهيئة الابتدائية |
| القيود | قد تتقارب نحو حلول محلية، تحتاج تحديد عدد المجموعات مسبقا، أكثر تكلفة حسابيا من K-Means، حساسة للضوضاء |
FCM تعطي كل نقطة درجة انتماء لكل مجموعة، وليس تصنيفا حادا واحداm يتحكم في مدى ليونة الحدود بين المجموعاتMahmoud Abas|التجميع الضبابي Fuzzy C-Means