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

increaseB

Clase: clustering.evaluation.GapEvaluation
Paquete: clustering.evaluation

Aumente los conjuntos de datos de referencia

Sintaxis

eva_out = increaseB(eva,nref)

Descripción

eva_out = increaseB(eva,nref) Devuelve un criterio de separación clustering objeto de evaluación que utiliza los mismos criterios de evaluación que el objeto de entrada y un número adicional de conjuntos de datos de referencia según lo especificado por.eva_outevanref

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

Número de conjuntos de datos de referencia adicionales, especificados como un valor entero positivo.

Argumentos de salida

expandir todo

Datos de evaluación de clustering actualizados, devueltos como un objeto de evaluación de clustering de criterio de brecha. contiene datos de evaluación obtenidos utilizando los conjuntos de datos de referencia del objeto de entrada más un número de conjuntos de datos de referencia adicionales como se especifica en.eva_outevanref

actualiza la propiedad del objeto de entrada para reflejar el aumento en el número de conjuntos de datos de referencia utilizados para calcular los valores del criterio de separación. también actualiza la propiedad con valores de criterio de separación calculados utilizando el número total de conjuntos de datos de referencia. también podría actualizar las propiedades y para reflejar el número óptimo de clústeres y la solución de agrupación en clústeres óptima según se determine mediante el número total de conjuntos de datos de referencia.increaseBBevaincreaseBCriterionValuesincreaseBOptimalKOptimalY Además, también puede actualizar el,, y propiedades.increaseBLogWExpectedLogWStdLogWSE

Ejemplos

expandir todo

Cree un objeto de evaluación de clustering de separación utilizando y, a continuación, utilice para aumentar el número de conjuntos de datos de referencia utilizados para calcular los valores del criterio de separación.evalclustersincreaseB

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 de brecha para evaluar las soluciones propuestas de uno a cinco clústeres.kmeans Utilice 50 conjuntos de datos de referencia.

rng('default') % For reproducibility eva = evalclusters(meas,'kmeans','gap','klist',1:5,'B',50)
eva =    GapEvaluation with properties:      NumObservations: 150          InspectedK: [1 2 3 4 5]     CriterionValues: [0.0870 0.5822 0.8766 1.0007 1.0465]            OptimalK: 4  

El objeto de evaluación de clustering contiene datos sobre cada solución de clustering propuesta.eva Los resultados devueltos indican que el número óptimo de clústeres es cuatro.

El valor de la propiedad de muestra 50 conjuntos de datos de referencia.Beva

eva.B
ans = 50 

Aumente el número de conjuntos de datos de referencia en 100, para un total de 150 sets.

eva = increaseB(eva,100)
eva =    GapEvaluation with properties:      NumObservations: 150          InspectedK: [1 2 3 4 5]     CriterionValues: [0.0794 0.5850 0.8738 1.0034 1.0508]            OptimalK: 5  

Los resultados devueltos ahora indican que el número óptimo de clústeres es cinco.

El valor de la propiedad de ahora muestra 150 conjuntos de datos de referencia.Beva

eva.B
ans = 150 

Consulte también