Kmeans和FCM
Kmeans算法作为应用最广泛的基于划分的聚类算法之一，适用于处理大样本数据。是一种典型的基于相似性度量的方法，目标是根据输入参数K将数据集划分为K类。由于初始值，相似度，聚类均值计算策略的不同，因而有很多种K均值算法的变种。在数据接近球形分布的时候，K均值算法具有较好的聚类效果。
K均值算法属于硬聚类算法，它把数据点划分到确切的某一聚类中。而模糊聚类则是软聚类，数据点可能归属于不止一个聚类，并且这些聚类与数据点通过一个成员水平联系起来。成员水平显示了数据点与某一聚类之间联系很密切。模糊聚类就是计算这些成员水平，按照成员水平来决定数据点属于哪一个或哪些聚类的过程。
一、问题描述
1、查阅无监督聚类的评价标准有哪些？选择其中一个标准作为后续试验的验证指标。
2、sonar和iris数据上分别验证两种聚类算法，同时，也可以先利用kmeans算法选择初始聚类中心，然后使用FCM聚类，观察其结果。
二、数据集说明
2.1 Iris数据集
Iris数据集，是一个多分类问题，每个类的观察值数量是均等的，一共有150个观察值，4个输入变量和1个输出变量，其通过对鸢尾花的测量数据预测鸢尾花的品种。
2.2 Sonar数据集
Sonar数据集提供了208组60维的声纳观测集数据，用来预测给定声纳从不同角度返回的强度预测目标是岩石还是矿井。其中R类代表岩石，M类代表矿井。