模糊C均值聚类算法：基于RFM数据的MATLAB实现

RFM数据是指最近一次消费，消费频率以及消费金额，分别构成R,F,M，给定200行用户行为数据，我们用模糊C均值聚类进行分析

首先简单介绍一下模糊C均值聚类，每一个样本距各个聚类中心（初始聚类中心需要随机指定）都有一个隶属度，每一个样本至各个聚类的隶属度总和为1。

通过每次随机分配，取均值等方法，在层层迭代过程中，寻找聚类中心，使得每个样本到每个聚类中心的距离值最小化，所计算的聚类结果就是我们的目标。

目标方程值最小化

MBA智库对于RFM有着详细的解释，link:https://wiki.mbalib.com/zh-tw/RFM%E6%A8%A1%E5%9E%8B

模糊C均值聚类的详细说明可以参见：https://wiki.mbalib.com/zh-tw/RFM%E6%A8%A1%E5%9E%8B

下面给出RFM数据

接下来我们用欧式距离定义的方法，计算用户特征向量与聚类中心的距离值：

两个向量相减，求平方，再求和，最后开方

接下来就是数据预处理，因为R,F,M分别代表的含义不同，单位也不同，因此要实现数据的无量纲化，我们采用归一化处理。即数据减去最小值，再除以最大值与最小值的差值

最后，我们设定以下参数：

即聚类数目，迭代次数，模糊系数（要求大于1），以及精度。

最后看一下各个用户（即样本数据）对于各个类别的归属度，可以直观反应用户u对N个类别的隶属度

我们用表格查看：

可见，用户1隶属于6类，用户2隶属于类别4等等。