KMeansCentroid2D() poddaje ocenie wiersze wykresu, stosując algorytm centroidów oraz wyświetlając dla każdego wiersza wykresu oczekiwaną współrzędną klastra, do którego został przypisany ten punkt danych. Kolumny wykorzystywane przez algorytm grupowania są określone przez odpowiednio parametry coordinate_1 i coordinate_2. Oba te parametry są agregacjami. Liczba tworzonych klastrów jest określana przez parametr num_clusters. Dane można opcjonalnie znormalizować za pomocą parametru norm.
KMeansCentroid2D zwraca jedną wartość na punkt danych. Zwrócona wartość jest podwójna i stanowi jedną ze współrzędnych pozycji odpowiadającej centrum klastra, do którego został przypisany punkt danych.
Składnia:
KMeansCentroid2D(num_clusters, coordinate_no, coordinate_1, coordinate_2 [, norm])
Typ zwracanych danych: podwójny
Argumenty:
| Argument | Opis |
|---|---|
| num_clusters | Liczba całkowita określająca liczbę klastrów. |
| coordinate_no | Oczekiwana liczba współrzędnych centroidów (np. odpowiednio do osi x, y lub z). |
| coordinate_1 | Agregacja obliczająca pierwszą współrzędną, zwykle osi X wykresu punktowego, która może zostać utworzona z wykresu. Dodatkowy paramert, coordinate_2, oblicza drugą współrzędną. |
| norm |
Opcjonalna metoda normalizacji stosowana do zestawów danych przed algorytmem centroidów. Możliwe wartości: 0 lub „none” w przypadku braku normalizacji 1 lub „zscore” w przypadku normalizacji z-score 2 lub „minmax” dla normalizacji min.-maks. Jeśli nie podano żadnego parametru lub jeśli podany parametr jest nieprawidłowy, żadna normalizacja nie jest stosowana. Normalizacja z-score normalizuje dane w oparciu o średnią cechy i odchylenie standardowe. Normalizacja z-score nie gwarantuje, że każda cecha będzie mieć taką samą skalę, ale jest lepszym podejściem niż min.-maks. w przypadku wartości odstających. Normalizacja min.-maks. zapewnia, że cechy mają tę samą skalę, biorąc minimalne i maksymalne wartości każdej z nich i przeliczając każdy punkt danych. |
Automatyczne klastrowanie
Funkcje KMeans obsługują automatyczne grupowanie za pomocą metody zwanej różnicą głębokości (DeD). Gdy użytkownik ustawia liczbę klastrów na 0, określana jest optymalna liczba klastrów dla tego zestawu danych. Należy zauważyć, że liczba całkowita dla liczby klastrów (k) nie jest wyraźnie zwracana, ale obliczana w ramach algorytmu KMeans. Na przykład jeśli 0 jest określone w funkcji dla wartości KmeansPetalClusters lub ustalone poprzez pole wprowadzania zmiennych, przypisania klastrów są automatyczne obliczane dla zestawu danych opartego na optymalnej liczbie klastrów.
