对于所有算法，参数设置如下

参数	解释
X	样本数据集，每个样本为列向量
cluster_num	类簇数
[gamma]	惩罚项系数，默认为0.01
[m]	模糊聚类算法的模糊度值，默认为2

半监督信息

半监督信息通过类中 inputSemi_SupervisedInformaintion 方法输入。参数设置如下

参数	解释
tilde_U	先验隶属度矩阵 $\tilde{U}$
initial_V	初始聚类中心矩阵

如果不输入半监督信息，则默认先验隶属度矩阵为全0矩阵。初始聚类中心为在样本取值空间中随机生成。

执行聚类

聚类过程通过类中的 iteration 方法实现。参数设置如下

参数	解释
[quit_epsilon]	迭代终止条件 $\varepsilon$，默认为1e-5
[iter_num]	算法最大迭代次数，默认为200

iteration 返回的是一个字典，说明如下表

键值	解释
U	隶属度矩阵，聚类结果需根据它来得出
V	聚类中心矩阵
t	迭代次数
U_f	最后两个隶属度矩阵的Frobenius范数
V_f	最后两个聚类中心矩阵的Frobenius范数
use_time	算法运行用时，单位为s

使用示例：

''' 数据准备 '''
from sklearn.datasets import load_iris
X, label = load_iris()	# 使用莺尾花数据集
X = Deviation(X)		# 对数据进行离差标准化
X = X.T
c = 3

from algorithms import MEC

MECa = MEC.MECA(X, c)
clusterResult = MECa.iteration()	
U = clusterResult['U']