MATHEMATICA 内置符号

FindClusters

把

分成相似元素组成的簇.

FindClusters

返回对应于各个簇中的

的

.

FindClusters

得到相同结果.

FindClusters

把

精确地分成 n 个簇.

更多信息

当距离较大时，FindClusters[{e₁, e₂, ...}, DistanceFunction->f] 认为成对的元素相似度较低.

若是数字组成的向量，则在默认情况下，FindClusters 实际上使用欧几里得距离函数 EuclideanDistance.

若为 True 和 False 组成的列表，则在默认情况下，FindClusters 根据元素不一致的正则分式而使用一个距离函数.

如果为字符串，则在默认情况下，FindClusters 根据从一个字符串到另一个需要改变的点数而使用一个距离函数.

可使用 Method 选项指定簇的不同方法. 设置有：

	"Agglomerate"	获得分级的簇
	"Optimize"	由局部优化获得簇

范例

关闭所有单元

例 (3)

获得由邻近值组成的簇：

获得四个簇：

代表簇元素各个规则的右边：

获得由邻近值组成的簇：

In[1]:=

Out[1]=

获得四个簇：

In[1]:=

Out[1]=

代表簇元素各个规则的右边：

In[1]:=

Out[1]=

范围 (5)

簇向量的实数值：

任何精度的簇数据：

布尔簇的 0，1或 True，False：

字符串簇的数据：

在

里获得簇的五维向量：

选项 (5)

用 ManhattanDistance 作为连续数据的距离测量方法：

在默认的情况下，由 SquaredEuclideanDistance 获得簇：

用 DiceDissimilarity 作为布尔数据的距离测量方法：

在默认情况下，由 JaccardDissimilarity 获得簇：

用 HammingDistance 作为字符串数据的距离测量方法：

在默认情况下，由 EditDistance 获得簇：

定义一个距离函数为抽象函数：

按等级生成簇数据：

按默认方法获得簇：

应用 (2)

在二元数据中获得并可视化簇：

按照不同元素的数量生成基因序列簇：

属性和关系 (1)

当 Nearest 给出的元素最接近指定值时，FindClusters 对数据编组：

可能存在的问题 (1)

获得对簇有影响的顺序元素：

巧妙范例 (2)

按照一致分布的随意点形成的簇，把一个方形划分为 n 段：

在英语字典里，把"ax"开始的词语分簇：

参见

ClusteringComponents Partition Split Gather Nearest FindShortestTour DistanceTransform MeanShift

教程

把数据划分为聚类

版本 6 的新功能