ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

クラスターの可視化と評価

データのクラスターをプロットおよびクラスターの最適数を評価

クラスター分析では、データ点の間の類似度に基づいてデータをグループに編成します。適切なクラスター数を示す自然な区分がデータに含まれている場合があります。また、自然な区分がデータに含まれていない場合や、自然な区分が不明な場合もあります。このような場合は、データをグループ化するために最適なクラスター数を決定することになります。

特定のクラスター数にデータがどの程度適合するかを調べるには、ギャップやシルエットなど各種の評価基準を使用してインデックス値を計算します。クラスターを可視化するには、系統樹プロットを作成して階層的なバイナリ クラスター ツリーを表示します。隣接する葉の間で類似度の合計が最大になるように、葉の順序を最適化します。各グループに複数の測定値があるグループ化されたデータの場合は、多変量分散分析 (MANOVA) を使用して計算したグループの平均に基づいて系統樹プロットを作成します。

関数

すべて展開する

dendrogram系統樹
optimalleaforder階層クラスタリングの最適な葉ノードの順序
manovaclusterMANOVA 後のグループ平均クラスターの系統樹
silhouetteシルエット プロット
evalclustersクラスタリングの解の評価
addK追加クラスター数の評価
compactコンパクト クラスタリング評価オブジェクト
increaseB参照データセットの増加
plot クラスタリング評価オブジェクト基準値のプロット

クラス

CalinskiHarabaszEvaluationCalinski-Harabasz 基準クラスタリング評価オブジェクト
DaviesBouldinEvaluationDavies-Bouldin 基準クラスタリング評価オブジェクト
GapEvaluationギャップ基準クラスタリング評価オブジェクト
SilhouetteEvaluationシルエット基準クラスタリング評価オブジェクト