ee.Clusterer.wekaCascadeKMeans
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
آبشار ساده k-means بهترین k را با توجه به معیار Calinski-Harabasz انتخاب می کند. برای اطلاعات بیشتر رجوع کنید به:
کالینسکی، تی و جی هاراباسز. 1974. روش دندریت برای تجزیه و تحلیل خوشه. اشتراک. آمار 3: 1-27.
| استفاده | برمی گرداند | ee.Clusterer.wekaCascadeKMeans( minClusters , maxClusters , restarts , manual , init , distanceFunction , maxIterations ) | خوشه |
| استدلال | تایپ کنید | جزئیات | minClusters | عدد صحیح، پیش فرض: 2 | حداقل تعداد خوشه ها |
maxClusters | عدد صحیح، پیش فرض: 10 | حداکثر تعداد خوشه ها |
restarts | عدد صحیح، پیش فرض: 10 | تعداد راه اندازی مجدد |
manual | بولی، پیش فرض: نادرست | تعداد خوشه ها را به صورت دستی انتخاب کنید. |
init | بولی، پیش فرض: نادرست | با استفاده از روش احتمالی دورترین اول مشابه الگوریتم k-means++ مقداردهی اولیه را تنظیم کنید (به جای انتخاب تصادفی استاندارد مراکز خوشه اولیه). |
distanceFunction | رشته، پیش‌فرض: «اقلیدسی» | تابع فاصله برای استفاده گزینه ها عبارتند از: اقلیدسی و منهتن. |
maxIterations | عدد صحیح، پیش فرض: null | حداکثر تعداد تکرار برای k-means. |
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشی‌های سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبت‌شده Oracle و/یا شرکت‌های وابسته به آن است.
تاریخ آخرین به‌روزرسانی 2025-07-24 به‌وقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین به‌روزرسانی 2025-07-24 به‌وقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eCascade simple k-means automatically determines the optimal number of clusters (k) within a specified range using the Calinski-Harabasz criterion.\u003c/p\u003e\n"],["\u003cp\u003eUsers can customize the clustering process by defining the minimum and maximum number of clusters, the number of algorithm restarts, initialization methods, distance functions, and the maximum number of iterations.\u003c/p\u003e\n"],["\u003cp\u003eThis Weka-based clusterer offers flexibility by allowing users to either automatically or manually select the number of clusters for their analysis.\u003c/p\u003e\n"],["\u003cp\u003eThe underlying algorithm leverages either Euclidean or Manhattan distance metrics to measure similarity between data points for cluster assignments.\u003c/p\u003e\n"]]],[],null,["# ee.Clusterer.wekaCascadeKMeans\n\nCascade simple k-means selects the best k according to the Calinski-Harabasz criterion. For more information see:\n\n\u003cbr /\u003e\n\nCalinski, T. and J. Harabasz. 1974. A dendrite method for cluster analysis. Commun. Stat. 3: 1-27.\n\n| Usage | Returns |\n|-------------------------------------------------------------------------------------------------------------------------------------------------------|-----------|\n| `ee.Clusterer.wekaCascadeKMeans(`*minClusters* `, `*maxClusters* `, `*restarts* `, `*manual* `, `*init* `, `*distanceFunction* `, `*maxIterations*`)` | Clusterer |\n\n| Argument | Type | Details |\n|--------------------|------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| `minClusters` | Integer, default: 2 | Min number of clusters. |\n| `maxClusters` | Integer, default: 10 | Max number of clusters. |\n| `restarts` | Integer, default: 10 | Number of restarts. |\n| `manual` | Boolean, default: false | Manually select the number of clusters. |\n| `init` | Boolean, default: false | Set whether to initialize using the probabilistic farthest first like method of the k-means++ algorithm (rather than the standard random selection of initial cluster centers). |\n| `distanceFunction` | String, default: \"Euclidean\" | Distance function to use. Options are: Euclidean and Manhattan. |\n| `maxIterations` | Integer, default: null | Maximum number of iterations for k-means. |"]]
