Создайте объект оценки кластеризации с помощью evalclusters, затем используйте addK для оценки дополнительного количества кластеров.

Загрузите выборочные данные.

load fisheriris

Данные содержат измерения длины и ширины чашелистиков и лепестков трех видов цветков радужки.

Группируйте данные измерений цветов с помощью kmeans, и использовать критерий Калински-Харабаша для оценки предлагаемых решений от одного до пяти кластеров.

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

eva = 
  CalinskiHarabaszEvaluation with properties:

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

Объект оценки кластеризации eva содержит данные по каждому предложенному решению кластеризации. Возвращенное значение OptimalK указывает, что оптимальным решением является три кластера.

Оцените предлагаемые решения от 6 до 10 кластеров по тем же критериям. Добавьте эти оценки к исходному объекту оценки кластеризации eva.

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: 1

Обновленные значения для InspectedK и CriterionValues показать, что eva теперь оценивает предлагаемые решения от 1 до 10 кластеров. The OptimalK значение все еще равняется 3, что указывает на то, что три кластера остаются оптимальным решением.