Создайте разрыв, кластеризирующий объект оценки использование evalclusters, затем используйте increaseB, чтобы увеличить число наборов справочных данных, используемых, чтобы вычислить значения критерия разрыва.

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 разрыва, чтобы оценить предлагаемые решения одного - пяти кластеров. Используйте 50 наборов справочных данных.

rng('default') % For reproducibility
eva = evalclusters(meas,'kmeans','gap','klist',1:5,'B',50)

eva = 
  GapEvaluation with properties:

    NumObservations: 150
         InspectedK: [1 2 3 4 5]
    CriterionValues: [0.0870 0.5822 0.8766 1.0007 1.0465]
           OptimalK: 4

Кластеризирующийся объект eva оценки содержит данные по каждому предложенному решению по кластеризации. Возвращенные результаты показывают, что оптимальное количество кластеров равняется четырем.

Значение свойства B eva показывает 50 наборов справочных данных.

eva.B

ans = 50

Увеличьте число наборов справочных данных 100 для в общей сложности 150 наборов.

eva = increaseB(eva,100)

eva = 
  GapEvaluation with properties:

    NumObservations: 150
         InspectedK: [1 2 3 4 5]
    CriterionValues: [0.0794 0.5850 0.8738 1.0034 1.0508]
           OptimalK: 5

Возвращенные результаты теперь показывают, что оптимальное количество кластеров равняется пяти.

Значение свойства B eva теперь показывает 150 наборов справочных данных.

eva.B

ans = 150