Класс: clustering.evaluation. ClusterCriterion
Пакет: clustering.evaluation
Постройте кластеризирующиеся значения критерия объекта оценки
plot(eva)
h = plot(eva)
plot( отображает график значений критерия по сравнению с количеством кластеров, на основе значений, сохраненных в кластеризирующемся объекте eva)eva оценки.
Постройте значения критерия по сравнению с количеством кластеров для каждого решения по кластеризации, сохраненного в кластеризирующемся объекте оценки.
Загрузите выборочные данные.
load fisheririsДанные содержат измерения длины и ширины от чашелистиков и лепестков трех разновидностей ирисовых цветов.
Создайте кластеризирующийся объект оценки. Кластеризируйте данные с помощью kmeans и оцените оптимальное количество кластеров с помощью критерия Calinski-Harabasz.
rng('default'); % For reproducibility eva = evalclusters(meas,'kmeans','CalinskiHarabasz','KList',[1:6]);
Постройте значения критерия Calinski-Harabasz для каждого количества протестированных кластеров.
figure; plot(eva);
График показывает, что самое высокое значение Calinski-Harabasz происходит в трех кластерах, предполагая, что оптимальное количество кластеров равняется трем.