Pengumuman: Semua project nonkomersial yang terdaftar untuk menggunakan Earth Engine sebelum
15 April 2025 harus
memverifikasi kelayakan nonkomersial untuk mempertahankan akses. Jika Anda belum melakukan verifikasi hingga 26 September 2025, akses Anda mungkin ditangguhkan.
ee.Clusterer.wekaLVQ
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Clusterer yang menerapkan algoritma Learning Vector Quantization. Untuk mengetahui detail selengkapnya, lihat:
T. Kohonen, "Learning Vector Quantization", The Handbook of Brain Theory and Neural Networks, Edisi ke-2, MIT Press, 2003, hlm. 631-634.
| Penggunaan | Hasil |
|---|
ee.Clusterer.wekaLVQ(numClusters, learningRate, epochs, normalizeInput) | Pengelompok |
| Argumen | Jenis | Detail |
|---|
numClusters | Bilangan bulat, default: 7 | Jumlah cluster. |
learningRate | Float, default: 1 | Kecepatan pembelajaran untuk algoritma pelatihan. Nilai harus lebih besar dari 0 dan kurang dari atau sama dengan 1. |
epochs | Bilangan bulat, default: 1000 | Jumlah epoch pelatihan. Nilai harus lebih besar dari atau sama dengan 1. |
normalizeInput | Boolean, default: false | Lewati penormalan atribut. |
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2025-07-26 UTC.
[null,null,["Terakhir diperbarui pada 2025-07-26 UTC."],[],["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"]]
