# KMeansCentroid2D - função de gráfico

O KMeansCentroid2D() avalia as linhas do gráfico por meio da aplicação do agrupamento de k-means e, para cada linha do gráfico, exibe a coordenada desejada do agrupamento ao qual esse ponto de dados foi atribuído. As colunas que são usadas pelo algoritmo de agrupamento são determinadas pelos parâmetros coordinate\_1 e coordinate\_2, respectivamente. Ambas são agregações. O número de agrupamentos criados é determinado pelo parâmetro num\_clusters. Os dados podem ser normalizados opcionalmente pelo parâmetro norm.

KMeansCentroid2D retorna um valor por ponto de dados. O valor retornado é duplo e é uma das coordenadas da posição correspondente ao centro do agrupamento ao qual o ponto de dados foi atribuído.

Sintaxe:

KMeansCentroid2D(num\_clusters, coordinate\_no, coordinate\_1, coordinate\_2 [, norm])

Tipo de dados de retorno: dual

Argumentos:

Argumentos

| Argumento | Descrição |
| --- | --- |
| num\_clusters | Inteiro que especifica o número de agrupamentos. |
| coordinate\_no | O número da coordenada desejada dos centroides (correspondendo, por exemplo, ao eixo X, Y ou Z). |
| coordinate\_1 | A agregação que calcula a primeira coordenada, geralmente o eixo X do gráfico de dispersão que pode ser criado a partir do gráfico. O parâmetro adicional, coordinate\_2, calcula a segunda coordenada. |
| norm | O método de normalização opcional aplicado a conjuntos de dados antes do agrupamento KMeans.<br><br>Valores possíveis:<br><br>0 ou "none" para nenhuma normalização<br><br>1 ou "zscore" para normalização z-ponto<br><br>2 ou "minmax" para normalização mín-máx<br><br>Se nenhum parâmetro for fornecido ou se o parâmetro fornecido estiver incorreto, nenhuma normalização será aplicada.<br><br>Z-ponto normaliza os dados com base na média e no desvio padrão do recurso. Z-ponto não garante que cada recurso tenha a mesma escala, mas é uma abordagem melhor que mín-máx ao se lidar com discrepâncias.<br><br>A normalização mín-máx garante que os recursos tenham a mesma escala, usando os valores mínimo e máximo de cada um e recalculando cada ponto de dados. |

## Agrupamento automático

Funções KMeans oferecem suporte para agrupamento automático usando um método chamado de diferença de profundidade (DeD). Quando um usuário define 0 para o número de agrupamentos, um número ideal de agrupamentos para esse conjunto de dados é determinado. Observe que, embora um número inteiro para o número de agrupamentos (k) não seja retornado explicitamente, ele é calculado dentro do algoritmo KMeans. Por exemplo, se 0 for especificado na função para o valor deKmeansPetalClusters ou definido por meio de uma caixa de entrada de variável, atribuições de agrupamentos serão calculadas automaticamente para o conjunto de dados com base em um número ideal de agrupamentos.