ee.Clusterer.wekaXMeans
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
X-Means คือ K-Means ที่มีการประมาณจำนวนคลัสเตอร์อย่างมีประสิทธิภาพ ดูข้อมูลเพิ่มเติมได้ที่
Dan Pelleg, Andrew W. Moore: X-means: Extending K-means with Efficient Estimation of the Number of Clusters In: Seventeenth International Conference on Machine Learning, 727-734, 2000.
| การใช้งาน | การคืนสินค้า |
|---|
ee.Clusterer.wekaXMeans(minClusters, maxClusters, maxIterations, maxKMeans, maxForChildren, useKD, cutoffFactor, distanceFunction, seed) | Clusterer |
| อาร์กิวเมนต์ | ประเภท | รายละเอียด |
|---|
minClusters | จำนวนเต็ม ค่าเริ่มต้น: 2 | จำนวนคลัสเตอร์ขั้นต่ำ |
maxClusters | จำนวนเต็ม ค่าเริ่มต้น: 8 | จำนวนคลัสเตอร์สูงสุด |
maxIterations | จำนวนเต็ม ค่าเริ่มต้น: 3 | จำนวนการวนซ้ำโดยรวมสูงสุด |
maxKMeans | จำนวนเต็ม ค่าเริ่มต้น: 1000 | จำนวนการวนซ้ำสูงสุดที่จะดำเนินการใน KMeans |
maxForChildren | จำนวนเต็ม ค่าเริ่มต้น: 1000 | จำนวนการทำซ้ำสูงสุดใน KMeans ที่ดำเนินการกับจุดกึ่งกลางขององค์ประกอบย่อย |
useKD | บูลีน ค่าเริ่มต้น: false | ใช้ KDTree |
cutoffFactor | Float, ค่าเริ่มต้น: 0 | ใช้เปอร์เซ็นต์ที่ระบุของเซ็นทรอยด์ที่แยก หากไม่มีองค์ประกอบย่อยใดชนะ |
distanceFunction | String, ค่าเริ่มต้น: "Euclidean" | ฟังก์ชันระยะทางที่จะใช้ ตัวเลือกมีดังนี้ Chebyshev, Euclidean และ Manhattan |
seed | จำนวนเต็ม ค่าเริ่มต้น: 10 | ค่าเริ่มต้นของการสุ่ม |
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\u003eX-Means extends the K-Means clustering algorithm by efficiently estimating the optimal number of clusters within a specified range.\u003c/p\u003e\n"],["\u003cp\u003eThe algorithm iteratively evaluates potential cluster splits using a Bayesian Information Criterion (BIC) to determine the most likely number of clusters.\u003c/p\u003e\n"],["\u003cp\u003eUsers can customize parameters like the minimum and maximum number of clusters, iterations, distance function, and randomization seed for fine-grained control over the clustering process.\u003c/p\u003e\n"],["\u003cp\u003eImplemented within Earth Engine, X-Means offers a scalable solution for geospatial data analysis and pattern recognition tasks.\u003c/p\u003e\n"]]],[],null,["# ee.Clusterer.wekaXMeans\n\nX-Means is K-Means with an efficient estimation of the number of clusters. For more information see:\n\n\u003cbr /\u003e\n\nDan Pelleg, Andrew W. Moore: X-means: Extending K-means with Efficient Estimation of the Number of Clusters. In: Seventeenth International Conference on Machine Learning, 727-734, 2000.\n\n| Usage | Returns |\n|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------|\n| `ee.Clusterer.wekaXMeans(`*minClusters* `, `*maxClusters* `, `*maxIterations* `, `*maxKMeans* `, `*maxForChildren* `, `*useKD* `, `*cutoffFactor* `, `*distanceFunction* `, `*seed*`)` | Clusterer |\n\n| Argument | Type | Details |\n|--------------------|------------------------------|------------------------------------------------------------------------------------|\n| `minClusters` | Integer, default: 2 | Minimum number of clusters. |\n| `maxClusters` | Integer, default: 8 | Maximum number of clusters. |\n| `maxIterations` | Integer, default: 3 | Maximum number of overall iterations. |\n| `maxKMeans` | Integer, default: 1000 | The maximum number of iterations to perform in KMeans. |\n| `maxForChildren` | Integer, default: 1000 | The maximum number of iterations in KMeans that is performed on the child centers. |\n| `useKD` | Boolean, default: false | Use a KDTree. |\n| `cutoffFactor` | Float, default: 0 | Takes the given percentage of the split centroids if none of the children win. |\n| `distanceFunction` | String, default: \"Euclidean\" | Distance function to use. Options are: Chebyshev, Euclidean, and Manhattan. |\n| `seed` | Integer, default: 10 | The randomization seed. |"]]
