Duyuru:
15 Nisan 2025'ten önce Earth Engine'i kullanmak için kaydedilen tüm ticari olmayan projelerin erişimlerini sürdürebilmeleri için
ticari olmayan uygunluklarını doğrulamaları gerekir. 26 Eylül 2025'e kadar doğrulama yapmazsanız erişiminiz bekletilebilir.
ee.Clusterer.wekaKMeans
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
K-ortalama algoritmasını kullanarak verileri kümeleyin. Öklid uzaklığı (varsayılan) veya Manhattan uzaklığı kullanılabilir. Manhattan uzaklığı kullanılıyorsa merkezoidler, ortalama yerine bileşen bazında medyan olarak hesaplanır. Daha fazla bilgi için:
D. Arthur, S. Vassilvitskii: k-means++: the advantages of careful seeding. In: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 1027-1035, 2007.
| Kullanım | İadeler |
|---|
ee.Clusterer.wekaKMeans(nClusters, init, canopies, maxCandidates, periodicPruning, minDensity, t1, t2, distanceFunction, maxIterations, preserveOrder, fast, seed) | Kümeleyici |
| Bağımsız Değişken | Tür | Ayrıntılar |
|---|
nClusters | Tamsayı | Küme sayısı. |
init | Tamsayı, varsayılan: 0 | Kullanılacak başlatma yöntemi. 0 = rastgele, 1 = k-means++, 2 = canopy, 3 = en uzak ilk. |
canopies | Boole değeri, varsayılan: false | Mesafe hesaplamalarının sayısını azaltmak için kanopiler kullanın. |
maxCandidates | Tam sayı, varsayılan: 100 | Kanopi kümeleme kullanılırken aynı anda bellekte tutulacak maksimum aday kanopi sayısı. T2 mesafesi ve veri özellikleri, periyodik ve nihai budama işlemleri yapılmadan önce kaç tane aday kanopi oluşturulacağını belirler. Bu durum, aşırı bellek tüketimine neden olabilir. Bu ayar, çok sayıda aday kanopinin belleği tüketmesini önler. |
periodicPruning | Tam sayı, varsayılan: 10000 | Kanopi kümeleme kullanılırken düşük yoğunluklu kanopilerin ne sıklıkta budanacağı. |
minDensity | Tamsayı, varsayılan: 2 | Kanopi kümeleme kullanılırken minimum kanopi yoğunluğu. Bu yoğunluğun altında, kanopi periyodik budama sırasında budanır. |
t1 | Kayan nokta, varsayılan: -1,5 | Çardak kümeleme kullanılırken kullanılacak T1 mesafesi. 0'dan küçük bir değer, T2 için pozitif bir çarpan olarak kabul edilir. |
t2 | Ondalık sayı, varsayılan: -1 | Çadır kümeleme kullanılırken kullanılacak T2 mesafesi. 0'dan küçük değerler, özelliğin standart sapmasına dayalı bir sezgisel yöntemin kullanılmasına neden olur. |
distanceFunction | Dize, varsayılan: "Euclidean" | Kullanılacak mesafe işlevi. Seçenekler: Öklid ve Manhattan. |
maxIterations | Tam sayı, varsayılan: null | Maksimum yineleme sayısı. |
preserveOrder | Boole değeri, varsayılan: false | Örneklerin sırasını koruyun. |
fast | Boole değeri, varsayılan: false | Kesme değerlerini kullanarak daha hızlı mesafe hesaplamaları yapmanızı sağlar. Kare hataların/mesafelerin hesaplanmasını/çıkışını devre dışı bırakır. |
seed | Tamsayı, varsayılan: 10 | Rastgele hale getirme başlangıç noktası. |
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-26 UTC.
[null,null,["Son güncelleme tarihi: 2025-07-26 UTC."],[],["The k-means algorithm clusters data using either Euclidean or Manhattan distance. Manhattan distance uses component-wise median for centroids, while Euclidean uses the mean. Initialization methods include random, k-means++, canopy, and farthest first. Canopies can be used to optimize distance calculations. Parameters control the number of clusters, pruning frequency, density thresholds, and distance settings. Additional options include limiting iterations, preserving data order, and using a fast distance calculation mode.\n"]]