數(shù)學(xué)建模中模糊聚類分析法的優(yōu)缺點？模糊聚類分析在數(shù)學(xué)建模中的優(yōu)勢：聚類分析模型的優(yōu)勢是結(jié)論形式直觀簡潔。缺點：當(dāng)樣本量較大時，很難得到聚類結(jié)論。因為相似度系數(shù)是基于被試的反映來建立反映被試之間內(nèi)在關(guān)系

數(shù)學(xué)建模中模糊聚類分析法的優(yōu)缺點？

模糊聚類分析在數(shù)學(xué)建模中的優(yōu)勢：聚類分析模型的優(yōu)勢是結(jié)論形式直觀簡潔。缺點：當(dāng)樣本量較大時，很難得到聚類結(jié)論。

因為相似度系數(shù)是基于被試的反映來建立反映被試之間內(nèi)在關(guān)系的指標(biāo)，有時在實踐中，雖然從被試反映的數(shù)據(jù)來看，它們之間有著密切的關(guān)系，但是事物之間沒有內(nèi)在的聯(lián)系，用相似系數(shù)進行聚類分析的結(jié)果顯然是不合適的，但是聚類分析模型本身并不能識別出這樣的錯誤。

模糊聚類分析是根據(jù)客觀事物的特性、親密度和相似性，建立模糊相似關(guān)系，對客觀事物進行聚類的一種分析方法。

有無窮多個模糊劃分矩陣，整個模糊劃分矩陣稱為模糊劃分空間。聚類中心與標(biāo)準(zhǔn)中心的距離最好。由于一個樣本根據(jù)隸屬度的不同屬于不同的類，因此需要同時考慮樣本與每個類的聚類中心之間的距離。分步聚類法需要迭代計算，計算工作量很大，需要在計算機上進行。通過計算最優(yōu)模糊劃分矩陣，得到相應(yīng)的常規(guī)劃分。此時，可以將聚類中心存儲在計算機中，再逐個輸入樣本，與每個聚類中心進行比較，哪個聚類中心最接近哪個聚類中心。

此方法需要提前知道類別數(shù)。如果類別數(shù)量不合理，將重新計算。這不如使用基于模糊等價的系統(tǒng)聚類方法，但我們可以得到聚類中心，即各種模式樣本，這是經(jīng)常需要的。因此，模糊等價關(guān)系的結(jié)果可以作為初始分類，用迭代的方法可以得到較好的結(jié)果。