ee.Clusterer.wekaCascadeKMeans
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
Cascade Simple K-Means จะเลือก k ที่ดีที่สุดตามเกณฑ์ Calinski-Harabasz ดูข้อมูลเพิ่มเติมได้ที่
Calinski, T. and J. Harabasz 1974 วิธีการสร้างแผนผังแบบกิ่งก้านสำหรับการวิเคราะห์คลัสเตอร์ Commun. Stat. 3: 1-27.
| การใช้งาน | การคืนสินค้า |
|---|
ee.Clusterer.wekaCascadeKMeans(minClusters, maxClusters, restarts, manual, init, distanceFunction, maxIterations) | Clusterer |
| อาร์กิวเมนต์ | ประเภท | รายละเอียด |
|---|
minClusters | จำนวนเต็ม ค่าเริ่มต้น: 2 | จำนวนคลัสเตอร์ขั้นต่ำ |
maxClusters | จำนวนเต็ม ค่าเริ่มต้น: 10 | จำนวนคลัสเตอร์สูงสุด |
restarts | จำนวนเต็ม ค่าเริ่มต้น: 10 | จำนวนการรีสตาร์ท |
manual | บูลีน ค่าเริ่มต้น: false | เลือกจำนวนคลัสเตอร์ด้วยตนเอง |
init | บูลีน ค่าเริ่มต้น: false | ตั้งค่าว่าจะเริ่มต้นโดยใช้วิธีการที่น่าจะเป็นไปได้ที่ไกลที่สุดก่อนเหมือนกับอัลกอริทึม k-means++ (แทนที่จะเป็นการเลือกแบบสุ่มมาตรฐานของจุดศูนย์กลางคลัสเตอร์เริ่มต้น) |
distanceFunction | String, ค่าเริ่มต้น: "Euclidean" | ฟังก์ชันระยะทางที่จะใช้ ตัวเลือกคือ "ยุคลิด" และ "แมนฮัตตัน" |
maxIterations | จำนวนเต็ม ค่าเริ่มต้น: null | จำนวนการทำซ้ำสูงสุดสำหรับ K-Means |
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-26 UTC
[null,null,["อัปเดตล่าสุด 2025-07-26 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. |"]]
