ee.Clusterer.wekaLVQ
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
خوشه‌ای که الگوریتم Quantization بردار یادگیری را پیاده‌سازی می‌کند. برای جزئیات بیشتر، نگاه کنید به:
T. Kohonen، "Learning Vector Quantization"، The Handbook of Brain Theory and Neural Networks، ویرایش دوم، انتشارات MIT، 2003، صفحات 631-634.
| استفاده | برمی گرداند | ee.Clusterer.wekaLVQ( numClusters , learningRate , epochs , normalizeInput ) | خوشه |
| استدلال | تایپ کنید | جزئیات | numClusters | عدد صحیح، پیش فرض: 7 | تعداد خوشه ها. |
learningRate | شناور، پیش فرض: 1 | نرخ یادگیری برای الگوریتم آموزشی. مقدار باید بزرگتر از 0 و کمتر یا مساوی 1 باشد. |
epochs | عدد صحیح، پیش فرض: 1000 | تعداد دوره های آموزشی مقدار باید بزرگتر یا مساوی 1 باشد. |
normalizeInput | بولی، پیش فرض: نادرست | از عادی سازی ویژگی ها بگذرید. |
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\u003eImplements the Learning Vector Quantization (LVQ) algorithm for clustering data.\u003c/p\u003e\n"],["\u003cp\u003eUsers can specify the desired number of clusters, learning rate, training epochs, and input normalization.\u003c/p\u003e\n"],["\u003cp\u003eBased on the Kohonen's work as described in "The Handbook of Brain Theory and Neural Networks".\u003c/p\u003e\n"],["\u003cp\u003eThe algorithm learns by adjusting cluster prototypes based on the input data during training epochs.\u003c/p\u003e\n"],["\u003cp\u003eIt returns a Clusterer object that can be used to predict the cluster assignments for new data points.\u003c/p\u003e\n"]]],["The `ee.Clusterer.wekaLVQ` function implements the Learning Vector Quantization algorithm for clustering. It requires specifying the number of clusters (`numClusters`, default 7), the learning rate (`learningRate`, default 1, between 0 and 1), the number of training epochs (`epochs`, default 1000, at least 1), and whether to normalize the input attributes (`normalizeInput`, default false). The function returns a Clusterer object. The algorithm's details are described in a specific paper by T. Kohonen.\n"],null,["# ee.Clusterer.wekaLVQ\n\nA Clusterer that implements the Learning Vector Quantization algorithm. For more details, see:\n\n\u003cbr /\u003e\n\nT. Kohonen, \"Learning Vector Quantization\", The Handbook of Brain Theory and Neural Networks, 2nd Edition, MIT Press, 2003, pp. 631-634.\n\n| Usage | Returns |\n|----------------------------------------------------------------------------------------------|-----------|\n| `ee.Clusterer.wekaLVQ(`*numClusters* `, `*learningRate* `, `*epochs* `, `*normalizeInput*`)` | Clusterer |\n\n| Argument | Type | Details |\n|------------------|-------------------------|------------------------------------------------------------------------------------------------------|\n| `numClusters` | Integer, default: 7 | The number of clusters. |\n| `learningRate` | Float, default: 1 | The learning rate for the training algorithm. Value should be greater than 0 and less or equal to 1. |\n| `epochs` | Integer, default: 1000 | Number of training epochs. Value should be greater than or equal to 1. |\n| `normalizeInput` | Boolean, default: false | Skip normalizing the attributes. |"]]
