數(shù)學(xué)建模中模糊聚類分析法優(yōu)點(diǎn)：聚類分析模型的優(yōu)點(diǎn)就是直觀，結(jié)論形式簡(jiǎn)明。 缺點(diǎn)：在樣本量較大時(shí)，要獲得聚類結(jié)論有一定困難。
由于相似系數(shù)是根據(jù)被試的反映來建立反映被試間內(nèi)在聯(lián)系的指標(biāo)， 而實(shí)踐中有時(shí)盡管從被試反映所得出的數(shù)據(jù)中發(fā)現(xiàn)他們之間有緊密的關(guān)系，但事物之間卻無任何內(nèi)在聯(lián)系，此時(shí)，如果根據(jù)距離或相 似系數(shù)得出聚類分析的結(jié)果，顯然是不適當(dāng)?shù)?，但是，聚類分析模型本身卻無法識(shí)別這類錯(cuò)誤。
模糊聚類分析是根據(jù)客觀事物間的特征、親疏程度、相似性，通過建立模糊相似關(guān)系對(duì)客觀事物進(jìn)行聚類的分析方法。
模糊劃分矩陣有無窮多個(gè)，這種模糊劃分矩陣的全體稱為模糊劃分空間。最優(yōu)分類的標(biāo)準(zhǔn)是樣本與聚類中心的距離平方和最小。因?yàn)橐粋€(gè)樣本是按不同的隸屬度屬于各類的，所以應(yīng)同時(shí)考慮它與每一類的聚類中心的距離。逐步聚類法需要反復(fù)迭代計(jì)算，計(jì)算工作量很大，要在電子計(jì)算機(jī)上進(jìn)行。算出最優(yōu)模糊劃分矩陣后，還必須求得相應(yīng)的常規(guī)劃分。此時(shí)可將得到的聚類中心存在計(jì)算機(jī)中，將樣本重新逐個(gè)輸入，去與每個(gè)聚類中心進(jìn)行比較，與哪個(gè)聚類中心最接近就屬于哪一類。
這種方法要預(yù)先知道分類數(shù)，如分類數(shù)不合理，就重新計(jì)算。這就不如運(yùn)用基于模糊等價(jià)關(guān)系的系統(tǒng)聚類法，但可以得到聚類中心，即各類模式樣本，而這往往正是所要求的。因此可用模糊等價(jià)關(guān)系所得結(jié)果作為初始分類，再通過反復(fù)迭代法求得更好的結(jié)果。
數(shù)學(xué)建模中模糊聚類分析法優(yōu)點(diǎn)：聚類分析模型的優(yōu)點(diǎn)就是直觀，結(jié)論形式簡(jiǎn)明。缺點(diǎn)：在樣本量較大時(shí)，要獲得聚類結(jié)論有一定困難?！ ∮捎谙嗨葡禂?shù)是根據(jù)被試的反映來建立反映被試間內(nèi)在聯(lián)系的指標(biāo)，而實(shí)踐中有時(shí)盡管從被試反映所得出的數(shù)據(jù)中發(fā)現(xiàn)他們之間有緊密的關(guān)系，但事物之間卻無任何內(nèi)在聯(lián)系，此時(shí)，如果根據(jù)距離或相似系數(shù)得出聚類分析的結(jié)果，顯然是不適當(dāng)?shù)?，但是，聚類分析模型本身卻無法識(shí)別這類錯(cuò)誤?！ ∧：垲惙治鍪歉鶕?jù)客觀事物間的特征、親疏程度、相似性，通過建立模糊相似關(guān)系對(duì)客觀事物進(jìn)行聚類的分析方法?！ ∧：齽澐志仃囉袩o窮多個(gè)，這種模糊劃分矩陣的全體稱為模糊劃分空間。最優(yōu)分類的標(biāo)準(zhǔn)是樣本與聚類中心的距離平方和最小。因?yàn)橐粋€(gè)樣本是按不同的隸屬度屬于各類的，所以應(yīng)同時(shí)考慮它與每一類的聚類中心的距離。逐步聚類法需要反復(fù)迭代計(jì)算，計(jì)算工作量很大，要在電子計(jì)算機(jī)上進(jìn)行。算出最優(yōu)模糊劃分矩陣后，還必須求得相應(yīng)的常規(guī)劃分。此時(shí)可將得到的聚類中心存在計(jì)算機(jī)中，將樣本重新逐個(gè)輸入，去與每個(gè)聚類中心進(jìn)行比較，與哪個(gè)聚類中心最接近就屬于哪一類?！ ∵@種方法要預(yù)先知道分類數(shù)，如分類數(shù)不合理，就重新計(jì)算。這就不如運(yùn)用基于模糊等價(jià)關(guān)系的系統(tǒng)聚類法，但可以得到聚類中心，即各類模式樣本，而這往往正是所要求的。因此可用模糊等價(jià)關(guān)系所得結(jié)果作為初始分類，再通過反復(fù)迭代法求得更好的結(jié)果。