Создайте кластеризирующийся объект оценки использование evalclusters, затем используйте addK, чтобы оценить дополнительные количества кластеров.

Загрузите выборочные данные.

load fisheriris

Данные содержат измерения длины и ширины от чашелистиков и лепестков трех разновидностей ирисовых цветов.

Кластеризируйте цветочные данные об измерении с помощью kmeans и используйте критерий Calinski-Harabasz, чтобы оценить предлагаемые решения одного - пяти кластеров.

eva = evalclusters(meas,'kmeans','calinski','klist',1:5)

eva = 
  CalinskiHarabaszEvaluation with properties:

    NumObservations: 150
         InspectedK: [1 2 3 4 5]
    CriterionValues: [NaN 513.9245 561.6278 530.4871 456.1279]
           OptimalK: 3

Кластеризирующийся объект eva оценки содержит данные по каждому предложенному решению по кластеризации. Возвращенное значение OptimalK указывает, что оптимальное решение является тремя кластерами.

Оцените предлагаемые решения 6 - 10 кластеров с помощью тех же критериев. Добавьте эти оценки в исходный объект eva оценки кластеризации.

eva = addK(eva,6:10)

eva = 
  CalinskiHarabaszEvaluation with properties:

    NumObservations: 150
         InspectedK: [1 2 3 4 5 6 7 8 9 10]
    CriterionValues: [1x10 double]
           OptimalK: 3

Обновленные значения для InspectedK и CriterionValues показывают, что eva теперь оценивает предлагаемые решения 1 - 10 кластеров. Значение OptimalK все еще равняется 3, указывая, что три кластера остаются оптимальное решение.