如何在Python模糊聚类图中展示‘模糊性’

你说得对，硬预测标签（0/1）只能区分聚类归属，没法体现边界点的模糊性。要展示这种模糊程度，核心是用soft_predict()返回的隶属度概率来映射颜色。

关键思路 #

soft_prediction_labels是一个形状为(样本数, 聚类数)的数组，每个元素代表对应样本属于某聚类的隶属度。对于2聚类场景，你可以取其中一类的隶属度作为颜色变量——因为两个聚类的隶属度和为1，取任意一列都能反映样本的模糊程度：隶属度越接近1，说明样本越明确属于该聚类；越接近0.5，说明样本处于聚类边界，模糊性越高。

修改后的完整代码 #

import pandas as pd
import matplotlib.pyplot as plt
from fcmeans import FCM

# 读取数据（修正原代码的变量名错误&DataFrame索引问题）
data = pd.read_csv("my_data.csv")
# 转成numpy数组方便索引（或者用data.iloc[:,0]）
data_np = data.values

# 训练FCM模型
model = FCM(n_clusters=2) 
model.fit(data_np) 

cntrs = model.centers
soft_prediction_labels = model.soft_predict(data_np)

# 绘制散点图：用第一类的隶属度作为颜色依据
plt.scatter(data_np[:, 0], data_np[:, 1], c=soft_prediction_labels[:, 0], 
            s=30, cmap='coolwarm', alpha=0.7)
# 绘制红色聚类中心
plt.scatter(cntrs[:,0], cntrs[:,1], c='red', s=100, marker='X')
# 添加颜色条，标注隶属度含义
plt.colorbar(label='隶属度（属于第一类的概率）')
plt.xlabel('特征1')
plt.ylabel('特征2')
plt.title('模糊C均值聚类的模糊性可视化')
plt.show()

代码说明 #

• 修正了原代码中model和my_model的变量名不一致问题，以及DataFrame直接用[:,0]索引的错误。
• c=soft_prediction_labels[:,0]：用样本属于第一类的隶属度控制颜色，coolwarm色系会让隶属度高的点偏红，低的偏蓝，中间值（边界点）呈过渡色。
• alpha=0.7：增加透明度，让重叠点的模糊性展示更清晰。
• 颜色条直接标注含义，方便理解颜色对应的模糊程度。

内容的提问来源于stack exchange，提问作者CasperCodes