このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

plot

クラスタリング評価オブジェクト基準値のプロット

構文

plot(evaluation)

h = plot(evaluation)

説明

plot(evaluation) は、クラスタリング評価オブジェクト evaluation 内の値に基づいて、基準値とクラスター数の対比のプロットを表示します。

h = plot(evaluation) は、Line オブジェクトを返します。このオブジェクトは、プロット ラインのプロパティを調べたり調整したりするために使用します。プロパティの一覧については、Line のプロパティを参照してください。

例

クラスタリング評価基準値のプロット

クラスタリング評価オブジェクトに格納されている各クラスタリング ソリューションについて、基準値とクラスター数の対比をプロットします。

fisheriris データセットを読み込みます。このデータには、3 種のアヤメの花のがく片と花弁からの長さと幅の測定値が含まれています。

load fisheriris

クラスタリング評価オブジェクトを作成します。kmeans を使用してデータをクラスタ化し、Calinski-Harabasz 基準値を使って、クラスタの最適数を評価します。

rng("default") % For reproducibility
evaluation = evalclusters(meas,"kmeans","CalinskiHarabasz","KList",1:6);

テストした各クラスター数について、Calinski-Harabasz 基準値をプロットします。

plot(evaluation)

このプロットは Calinski-Harabasz の最大値が 3 個のクラスターのときに発生することを示しており、最適なクラスター数が 3 であることを示唆しています。

さまざまな基準を使用した最適なクラスター数のプロット

4 つのクラスタリング評価基準のそれぞれを使用してデータをクラスタリングします。それぞれの基準について、基準値のプロットを作成し、最適なクラスター数を示します。

異なるパラメーター値をもつ 3 つの多変量分布による乱数を含む標本データを作成します。

rng("default") % For reproducibility
n = 200;

mu1 = [2 2];
sigma1 = [0.9 -0.0255; -0.0255 0.9];

mu2 = [5 5];
sigma2 = [0.5 0; 0 0.3];

mu3 = [-2 -2];
sigma3 = [1 0; 0 0.9];

X = [mvnrnd(mu1,sigma1,n); ...
     mvnrnd(mu2,sigma2,n); ...
     mvnrnd(mu3,sigma3,n)];

kmeans を使用してデータをクラスタリングし、Calinski-Harabasz、Davies-Bouldin、ギャップ、およびシルエットの各基準を使用して最適なクラスター数を評価します。

calinskiEvaluation = evalclusters(X,"kmeans","CalinskiHarabasz", ...
    "KList",1:6);
daviesEvaluation = evalclusters(X,"kmeans","DaviesBouldin", ...
    "KList",1:6);
gapEvaluation = evalclusters(X,"kmeans","gap","KList",1:6);
silhouetteEvaluation = evalclusters(X,"kmeans","silhouette", ...
    "KList",1:6);

各クラスタリング評価オブジェクトについて、推奨されるクラスター数に対する基準値をプロットします。それぞれのプロットで、プロット ラインの色を変更し、最適なクラスター数を示す垂直線を追加します。

t = tiledlayout(2,2);
title(t,"Optimal Number of Clusters for Different Criteria")
colors = lines(4);

% Calinski-Harabasz Criterion Plot
nexttile
h1 = plot(calinskiEvaluation);
h1.Color = colors(1,:);
hold on
xline(calinskiEvaluation.OptimalK,"--","Optimal K", ...
    "LabelVerticalAlignment","middle")
hold off

% Davies-Bouldin Criterion Plot
nexttile
h2 = plot(daviesEvaluation);
h2.Color = colors(2,:);
hold on
xline(daviesEvaluation.OptimalK,"--","Optimal K", ...
    "LabelVerticalAlignment","middle")
hold off

% Gap Criterion Plot
nexttile
h3 = plot(gapEvaluation);
h3.Color = colors(3,:);
hold on
xline(gapEvaluation.OptimalK,"--","Optimal K", ...
    "LabelVerticalAlignment","middle")
hold off

% Silhouette Criterion Plot
nexttile
h4 = plot(silhouetteEvaluation);
h4.Color = colors(4,:);
hold on
xline(silhouetteEvaluation.OptimalK,"--","Optimal K", ...
    "LabelVerticalAlignment","middle")
hold off

4 つのプロットから、クラスタリング基準に関係なく、最適なクラスター数が 3 であることがわかります。

入力引数

evaluation — クラスタリング評価データ

CalinskiHarabaszEvaluation オブジェクト | DaviesBouldinEvaluation オブジェクト | GapEvaluation オブジェクト | SilhouetteEvaluation オブジェクト

クラスタリング評価データ。CalinskiHarabaszEvaluation、DaviesBouldinEvaluation、GapEvaluation、SilhouetteEvaluation のいずれかのクラスタリング評価オブジェクトとして指定します。クラスタリング評価オブジェクトの作成には evalclusters を使用します。

バージョン履歴

R2013b で導入

参考

evalclusters | CalinskiHarabaszEvaluation | DaviesBouldinEvaluation | GapEvaluation | SilhouetteEvaluation