Создание объекта оценки кластеризации зазоров с помощью evalclusters, затем использовать increaseB для увеличения числа наборов опорных данных, используемых для вычисления значений критерия зазора.

Загрузите образцы данных.

load fisheriris

Данные содержат измерения длины и ширины по чашелистикам и лепесткам трёх видов цветков радужки.

Кластеризация данных измерений цветка с помощью kmeansи использовать критерий разрыва для оценки предлагаемых решений от одного до пяти кластеров. Используйте 50 наборов ссылочных 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

Объект оценки кластеризации eva содержит данные по каждому предлагаемому решению кластеризации. Возвращенные результаты показывают, что оптимальное число кластеров равно четырем.

Значение B имущество eva показаны 50 наборов опорных данных.

eva.B

ans = 50

Увеличьте количество наборов опорных данных на 100, 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 равно пяти.

Значение B имущество eva Теперь показаны 150 наборов ссылочных данных.

eva.B

ans = 150