ee.Clusterer.wekaCascadeKMeans
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
Cascade simple k-means בוחר את הערך הטוב ביותר של k בהתאם לקריטריון Calinski-Harabasz. למידע נוסף:
Calinski, T. and J. Harabasz. 1974. שיטת דנדריט לניתוח אשכולות. Commun. Stat. 3: 1-27.
| שימוש | החזרות |
|---|
ee.Clusterer.wekaCascadeKMeans(minClusters, maxClusters, restarts, manual, init, distanceFunction, maxIterations) | Clusterer |
| ארגומנט | סוג | פרטים |
|---|
minClusters | מספר שלם, ברירת מחדל: 2 | מספר מינימלי של אשכולות. |
maxClusters | מספר שלם, ברירת מחדל: 10 | מספר האשכולות המקסימלי. |
restarts | מספר שלם, ברירת מחדל: 10 | מספר ההפעלה מחדש. |
manual | בוליאני, ברירת מחדל: false | בוחרים ידנית את מספר האשכולות. |
init | בוליאני, ברירת מחדל: false | הגדרה של אתחול באמצעות שיטת ההסתברות של האלגוריתם k-means++ (במקום הבחירה האקראית הרגילה של מרכזי אשכולות ראשוניים). |
distanceFunction | מחרוזת, ברירת מחדל: Euclidean | פונקציית המרחק שבה רוצים להשתמש. האפשרויות הן: Euclidean ו-Manhattan. |
maxIterations | מספר שלם, ברירת מחדל: null | מספר האיטרציות המקסימלי ל-k-means. |
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-26 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-26 (שעון UTC)."],[[["\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. |"]]
