集群评估

此示例显示了如何识别Fisher虹膜数据中的簇。

加载Fisher的虹膜数据集。

加载渔业x = meas;y =分类（物种）;

X是一个数字矩阵，其中包含150个虹膜的两个花瓣测量。y是包含相应虹膜物种的字符矢量的细胞阵列。

评估多个簇从1到10。

eva = estarclusters（x，'kmeans'，，，，'Calinskiharabasz'，，，，'klist'，1：10）

eva =具有特性的Calinskiharabaszeveruation：Numobservations：150 theckedk：[1 2 3 4 5 6 7 8 9 10] CriterionValues：[NAN 513.9245 561.6278 530.4871 456.1279 456.1279 469.5068 ...] 469.5068 ... 3

这Optimalk值表明，基于Calinski-Harabasz标准，最佳簇数为三个。

可视化伊娃查看每个簇数量的结果。

情节（EVA）

大多数聚类算法都需要对集群数量的先验知识。当此信息不可用时，请使用群集评估技术来确定基于指定度量的数据中存在的簇数。

三个簇与数据中的三个物种一致。

类别（y）

ans =3x1单元{'setosa'} {'versicolor'} {'virginica'}

计算数据的非负级别两个近似值，以实现可视化目的。

Xred = nnmf（x，2）;

原始功能将降低到两个功能。由于没有任何功能是负的，NNMF还可以保证这些功能是无负的。

使用散点图在视觉上确认三个簇。

gScatter（Xred（：，1），Xred（：，2），Y）Xlabel（'第1列'）ylabel（“第2列”） 网格上

也可以看看

评估器|NNMF