摘自：http://ramsey16.net/%E8%81%9A%E7%B1%BB%EF%BC%88%E4%B8%89%EF%BC%89fuzzy-c-means/
經典k-均值聚類算法的每一步迭代中，每一個樣本點都被認為是完全屬於某一類別。我們可以放松這個條件，假定每個樣本xjxj模糊“隸屬”於某一類的。
硬聚類把每個待識別的對象嚴格的划分某類中，具有非此即彼的性質；模糊聚類建立了樣本對類別的不確定描述，更能客觀的反應客觀世界，從而成為聚類分析的主流。
例1、一個一維的例子來說，給定一個特定數據集，分布如下圖：
圖中可以很容易分辨出兩類數據，分別表示為‘A’ and ‘B’. 利用前述的k-means 算法，每個數據關聯一個特定的質心，隸屬度函數如下所示：
用FCM 算法，同一個數據並不單獨屬於一個分類，而是可以出現在中間。在這個例子中，隸屬函數變得更加平滑，表明每個數據可能屬於幾個分類。
上圖中，紅色點表示的數據更可能屬於類別B，而不是A， ‘m’ 的值0.2表明了數據對A的隸屬程度。