1965年美國加州大學柏克萊分校的扎德教授第一次提出了‘集合’的概念。經過十多年的發展，模糊集合理論漸漸被應用到各個實際應用方面。為克服非此即彼的分類缺點，出現了以模糊集合論為數學基礎的聚類分析。用模糊數學的方法進行聚類分析，就是模糊聚類分析。

　　FCM算法是一種以隸屬度來確定每個數據點屬于某個聚類程度的算法。該聚類算法是傳統硬聚類算法的一種改進。

　　fcm聚類算法流程：

　?。?） 標準化數據矩陣；

　?。?） 建立模糊相似矩陣，初始化隸屬矩陣；

　?。?） 算法開始迭代，直到目標函數收斂到極小值；

　?。?） 根據迭代結果，由最后的隸屬矩陣確定數據所屬的類，顯示最后的聚類結果。

　　fcm聚類算法優點：

　　相比起前面的”硬聚類“，FCM方法會計算每個樣本對所有類的隸屬度，這給了我們一個參考該樣本分類結果可靠性的計算方法，我們可以這樣想，若某樣本對某類的隸屬度在所有類的隸屬度中具有絕對優勢，則該樣本分到這個類是一個十分保險的做法，反之若該樣本在所有類的隸屬度相對平均，則我們需要其他輔助手段來進行分類。

　　fcm聚類算法缺點：

　　算法在分類時有個主要的不足是，當樣本不平衡時，如一個類的樣本容量很大，而其他類樣本容量很小時，有可能導致當輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數。 該算法只計算“最近的”鄰居樣本，某一類的樣本數量很大，那么或者這類樣本并不接近目標樣本，或者這類樣本很靠近目標樣本。無論怎樣，數量并不能影響運行結果。

　　該方法的另一個不足之處是計算量較大，因為對每一個待分類的文本都要計算它到全體已知樣本的距離，才能求得它的K個最近鄰點。