Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

addK

Clase: clustering.evaluation.ClusterCriterion
Paquete: clustering.evaluation

Evalúe un número adicional de clústeres

Sintaxis

eva_out = addK(eva,klist)

Descripción

eva_out = addK(eva,klist) Devuelve un objeto de evaluación de agrupación en clústeres que contiene los datos de evaluación almacenados en el objeto de entrada, además de datos de evaluación adicionales para el número de clústeres propuesto especificado en.eva_outevaklist

Argumentos de entrada

expandir todo

Datos de evaluación de clustering, especificados como un objeto de evaluación de clustering. Cree un objeto de evaluación de clustering mediante.evalclusters

Números adicionales de clústeres para evaluar, especificados como un vector de valores enteros positivos. Si cualquier valor en superposición con soluciones de clustering ya evaluados en el objeto de entrada, ignora los valores solapados.klistevaaddK

Argumentos de salida

expandir todo

Datos de evaluación de clustering actualizados, devueltos como un objeto de evaluación de clustering. contiene datos sobre las soluciones de clustering propuestas incluidas en el objeto de evaluación de clustering de entrada, además de los datos sobre los números propuestos adicionales de los clústeres especificados en.eva_outevaklist

Para todas las clases de objeto de evaluación de agrupación en clústeres, actualiza las propiedades para incluir las soluciones de agrupación en clústeres propuestas especificadas y sus valores de criterio correspondientes. también podría actualizar las propiedades y para reflejar el nuevo número óptimo de clústeres y la solución de agrupación en clústeres óptima.addKInspectedKCriterionValuesklistaddKOptimalKOptimalY

Para determinadas clases de objetos de evaluación de clúster, también puede actualizar los siguientes valores de propiedad adicionales:addK

  • Para los objetos de evaluación de brechas —,, yLogWExpectedLogWStdLogWSE

  • Para objetos de evaluación de silueta —ClusterSilhouettes

Ejemplos

expandir todo

Cree un objeto de evaluación de clustering utilizando y, a continuación, utilírelos para evaluar números adicionales de clústeres.evalclustersaddK

Cargue los datos de ejemplo.

load fisheriris

Los datos contienen mediciones de longitud y anchura de los sépalos y pétalos de tres especies de flores de iris.

Agruparse los datos de medición de flores utilizando y utilizar el criterio Calinski-Harabasz para evaluar las soluciones propuestas de uno a cinco clústeres.kmeans

eva = evalclusters(meas,'kmeans','calinski','klist',1:5)
eva =    CalinskiHarabaszEvaluation with properties:      NumObservations: 150          InspectedK: [1 2 3 4 5]     CriterionValues: [NaN 513.9245 561.6278 530.4871 456.1279]            OptimalK: 3  

El objeto de evaluación de clustering contiene datos sobre cada solución de clustering propuesta.eva El valor devuelto indica que la solución óptima es tres clústeres.OptimalK

Evaluar las soluciones propuestas de 6 a 10 clústeres utilizando los mismos criterios. Agregue estas evaluaciones al objeto de evaluación de clústeres original.eva

eva = addK(eva,6:10)
eva =    CalinskiHarabaszEvaluation with properties:      NumObservations: 150          InspectedK: [1 2 3 4 5 6 7 8 9 10]     CriterionValues: [1x10 double]            OptimalK: 3  

Los valores actualizados para y muestran que ahora evalúa las soluciones propuestas de 1 a 10 clústeres.InspectedKCriterionValueseva El valor sigue siendo igual, lo que indica que tres clústeres siguen siendo la solución óptima.OptimalK3