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:
| 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. Valores possíveis: 0 ou "none" para nenhuma normalização 1 ou "zscore" para normalização z-ponto 2 ou "minmax" para normalização mín-máx Se nenhum parâmetro for fornecido ou se o parâmetro fornecido estiver incorreto, nenhuma normalização será aplicada. 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. 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.