Создайте объект оценки кластеризации погрешностей с помощью evalclusters, затем используйте increaseB увеличение количества ссылочных наборов данных, используемых для вычисления значений критерия погрешности.

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 разрыва для оценки предлагаемых решений с одного по пять кластеров. Используйте 50 ссылки 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 предложенному решению кластеризации. Возвращенные результаты показывают, что оптимальное количество кластеров составляет четыре.

Значение B свойство eva показывает 50 ссылки данных.

eva.B

ans = 50

Увеличьте количество ссылок данных на 100, в общей сложности на 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 указывают, что оптимальное количество кластеров составляет пять.

Значение B свойство eva Теперь показаны 150 ссылки данных.

eva.B

ans = 150