主要内容
集群可视化与评价
绘制聚类数据并评估最优聚类数量
聚类分析根据数据点之间的相似性将数据组织成组。有时数据包含表示集群适当数量的自然划分。其他时候，数据不包含自然划分，或者自然划分未知。在这种情况下，需要确定分组数据的最佳集群数量。
为了确定数据是否适合特定数量的集群，可以使用不同的评估标准(如间隙或轮廓)计算索引值。通过创建树状图来显示层次二叉簇树来可视化集群。优化叶片，以最大限度地增加相邻叶片之间的相似性。对于每个组具有多个测量值的分组数据，创建基于使用多变量方差分析(MANOVA)计算的组平均值的树状图。
功能
类
CalinskiHarabaszEvaluation |
Calinski-Harabasz准则聚类评价对象 |
DaviesBouldinEvaluation |
Davies-Bouldin准则聚类评价对象 |
GapEvaluation |
差距准则聚类评价对象 |
SilhouetteEvaluation |
轮廓准则聚类评价对象 |
主题
这个例子展示了如何使用evalclusters。
你也可以从以下列表中选择一个网站:
