MATHEMATICA 組込みシンボル

FindClusters

を同種の要素ごとにクラスタにまとめる．

FindClusters

各クラスタの

に対応する

を返す．

FindClusters

同じ結果を返す．

FindClusters

を厳密に n 個のクラスタに分割する．

詳細

FindClusters[{e₁, e₂, ...}, DistanceFunction->f]は，ペアになった要素を，要素間の距離が大きいほど類似性が低いものとして扱う．

が数のベクトルである場合，FindClustersはデフォルトにより，事実上ユークリッド距離関数EuclideanDistanceを使用する．

がTrueとFalseからなるリストの場合，FindClustersはデフォルトにより，一致しない要素の正規化された割合に基づいて距離関数を使用する．

が文字列である場合，FindClustersはデフォルトにより，ひとつの文字列から別の文字列に移る際に必要な点の変更の数に基づいて距離関数を使用する．

Methodオプションを使って，異なるクラスタ化のメソッドが指定できる．以下は可能な設定の例である．

	"Agglomerate"	階層的なクラスタ化を求める
	"Optimize"	局所的最適化によるクラスタ化を求める

例題

すべて閉じる

例 (3)

近傍の値のクラスタを求める：

厳密に4つのクラスタを求める：

各規則の右辺でクラスタ化された要素を表す：

近傍の値のクラスタを求める：

In[1]:=

Out[1]=

厳密に4つのクラスタを求める：

In[1]:=

Out[1]=

各規則の右辺でクラスタ化された要素を表す：

In[1]:=

Out[1]=

スコープ (5)

実数値のクラスタ化したベクトル：

任意精度のクラスタ化したデータ：

クラスタ化したブール値の0, 1またはTrue, Falseデータ：

文字列データのクラスタ化：

五次元ベクトルでクラスタを求める：

オプション (5)

ManhattanDistanceを連続データの距離尺度として用いる：

デフォルトのSquaredEuclideanDistanceで求まったクラスタ：

DiceDissimilarityをブール値データの距離尺度として用いる：

デフォルトのJaccardDissimilarityで得られたクラスタ：

HammingDistanceを文字列データの距離尺度として用いる：

デフォルトのEditDistanceで得られたクラスタ：

純関数として距離関数を定義：

データを階層的に処理して得られたクラスタ：

デフォルトのメソッドで得られたクラスタ：

アプリケーション (2)

二変数データ中のクラスタを求め，可視化する：

要素単位の差分の数に基づいてゲノム配列をクラスタ化する：

特性と関係 (1)

FindClustersはデータをグループ化するのに対し，Nearestは与えられた値に最も近い要素を返す：

考えられる問題 (1)

要素順が求まるクラスタに影響することがある：

おもしろい例題 (2)

均一に分布したランダムな点をクラスタ化することで正方形を n 個の部分に分割する：

英語辞書中の「ax」で始まる語をクラスタにまとめる：