Создайте агломерационные кластеры из данных
возвращает кластерные индексы для каждого наблюдения (строка) матрицы входных данных T
= clusterdata(X
,cutoff
)X
, учитывая порог cutoff
для сокращения агломерационного иерархического дерева, что linkage
функция генерирует от X
.
clusterdata
поддерживает агломерационную кластеризацию и соединяется pdist
, linkage
, и cluster
функции, которые можно использовать отдельно для более детального анализа. Дополнительную информацию см. в Описании Алгоритма.
Если 'Linkage'
'centroid'
или 'median'
то linkage
может произвести кластерное дерево, которое не является монотонным. Этот результат происходит, когда расстояние от объединения двух кластеров, r и s, к третьему кластеру меньше расстояния между r и s. В этом случае, в древовидной схеме, чертившей с ориентацией по умолчанию, путь от листа до корневого узла делает некоторые нисходящие шаги. Чтобы избежать этого результата, задайте другое значение для 'Linkage'
. Следующее изображение показывает немонотонное кластерное дерево.
В этом случае к кластеру 1 и кластеру 3 соединяют в новый кластер, в то время как расстояние между этим новым кластером и кластером 2 меньше расстояния между кластером 1 и кластером 3.
Если вы задаете значение c
для cutoff
входной параметр, затем
выполняет следующие шаги:T
= clusterdata
X
C
Создайте вектор из Евклидова расстояния между парами наблюдений в X
при помощи pdist
.
Y =
pdist
X
, 'евклидов')
Создайте агломерационное иерархическое кластерное дерево из Y
при помощи linkage
с 'single'
метод для вычисления кратчайшего расстояния между кластерами.
Z =
linkage
(Y, 'single')
Если 0 <
c
< 2
Использование cluster
задавать кластеры от Z
когда противоречивые значения меньше c
.
T
= cluster
(Z, 'Сокращение', c)
Если c
целочисленное значение ≥ 2
Использование cluster
найти максимум c
кластеры от Z
.
T
= кластер (Z, 'MaxClust', c)
Если у вас есть иерархический кластерный древовидный Z
(выход linkage
функция для матрицы входных данных X
), можно использовать cluster
выполнять агломерационную кластеризацию на Z
и возвратите кластерное присвоение для каждого наблюдения (строка) в X
.
cluster
| dendrogram
| inconsistent
| kmeans
| linkage
| pdist