Создайте разрыв, кластеризирующий объект оценки использование evalclusters, затем используйте increaseB увеличивать число наборов справочных данных использовалось для расчета значений 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 B свойство 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 B свойство eva теперь показывает 150 наборов справочных данных.

eva.B

ans = 150