分割されたデータを生成し，可視化する：

Automatic CriterionFunctionを使って分類器関数を構築する：

Calinski–Harabasz指標をCriterionFunctionとして使って分類器関数を構築する：

データの2つのクラスタ化を比較する：

画像のリストからClassifierFunctionを作り，新たな例を分類する：

カスタムのFeatureExtractorを作って特徴を抽出する：

分類器関数を生成し，各特徴に名前を与える：

連想形式を使って新たな例にクラスタを割り当てる：

リストの形式を使い続けることもできる：

数値的な特徴タイプと名義的な特徴タイプを仮定して分類器関数を生成する：

名義的特徴タイプを仮定して分類器関数を生成する：

新たな例の結果を比較する：

一様分布を使ってデータを生成する：

データを分類する：

Informationを使ってメソッドの説明を得る：

クラスタ化されたデータを見る：

k平均を使ってデータを分類する：

クラスタ化されたデータを見る：

多変量正規分布を使って大きいデータ集合を生成し，可視化する：

ClusterClassifyを使って使用メソッドを指定してクラスタを求め，AbsoluteTimingを見る：

結果のクラスタ化を見る：

ClusterClassifyを使って使用するメソッドを指定せずにクラスタを求め，AbsoluteTimingを見る：

多変量正規分布を使って大きいデータ集合を生成し，可視化する：

ClusterClassifyを使ってクラスタを求める：

データが欠落している点の上位クラスタ確率を取得する：

欠落値の合成を設定して，欠落している各変数を，既知の値が与えられた場合に推定される最も可能性の高い値に置き換える（これはデフォルトの動作である）：

欠落値を既知の値を条件とするランダムサンプルで置き換える：

欠落している変数をランダムサンプリング戦略で繰り返し置き換えることで，点について可能性のあるクラスタの分布を取得する：

一様分布に従うデータ集合を生成し，可視化する：

このデータから訓練速度に重点を置いて分類器を得る：

クラスタをランダムに生成したデータに割り当て，AbsoluteTimingを見る：

このデータから速度に重点を置いて分類器を得る：

クラスタをランダムに生成したデータに割り当て，AbsoluteTimingを上の例と比較する：

テストデータの2つのクラスタ化を可視化し，"TrainingSpeed"の設定がいかによりよい結果を与えるかを見る：

いくつかの分類器をランダムな色について訓練する：

新たな色について分類器を計算し，結果が常に等しいことを観察する：

RandomSeedingオプションの値を変えて，いくつかの分類器を同じ色について訓練する：

分類器をについて訓練し，分類器がどのように変わるかを観察する：

外れ値を含む分離されたデータを生成する：

データをクラスタ化する：

分類器関数を使って外れ値を他の点と一緒に分類する：

データをクラスタ化し，外れ値に大きい重みを加える：

分類器関数を使って同じ点を分類する：