ClusterClassify

ClusterClassify[data]

通过把数据划分为相似元素组成的分群，产生 ClassifierFunction[…].

ClusterClassify[data,n]

生成具有 n 个分群的 ClassifierFunction[…].

更多信息和选项

范例

打开所有单元关闭所有单元

基本范例  (3)

在某些数值数据上训练 ClassifierFunction:

使用分类器函数对新未加标签范例分类：

对这个范例获得分类概率：

对多个实例分类：

在区间 {-5,5} 上绘制两个不同类别的概率图:

通过要求类数为5，在某些颜色上训练 ClassifierFunction：

在某些未添加标签的数据上训练 ClassifierFunction：

按照类号收集元素：

在某些字符串训练 ClassifierFunction：

按照类号收集元素：

范围  (11)

对实数分类：

对向量分类：

对布尔向量分类：

使用分类器将分群赋予新布尔 True、False 向量：

使用分类器对分群赋予布尔 1, 0 向量：

查看概率：

对图像分类：

使用分类器对新图像分群：

对三维图像分类：

对颜色分类：

对字符串分类：

使用分类器对新字符串分群：

对异构数据进行分类：

对时间分类：

使用分类器对数据分群：

对随机实数分类：

查看分类器信息：

获得使用的特定方法的描述：

产生平面上的随机点并且可视化：

对数据分类：

在该位置上的新随机点分类：

可视化所得分群：

使用 IndeterminateThreshold 对相同检验数据分类：

可视化包含 Indeterminate 分群的所得分群：

选项  (10)

CriterionFunction  (1)

产生某些分隔数据，并且可视化它：

使用 Automatic CriterionFunction 构建分类器函数：

使用 Calinski–Harabasz 指数作为 CriterionFunction 构建分类器：

比较数据的两个分群：

FeatureExtractor  (1)

根据图像列表创建 ClassifierFunction，并对新实例进行分类：

创建一个自定义 FeatureExtractor 来提取特征：

FeatureNames  (1)

产生一个分类器函数，并为每个特征命名：

用关联的形式把分群分配给新的样本：

也可以使用列表的形式：

FeatureTypes  (1)

假定数据为数值型并属于标称特征类型，生成一个分类器函数：

假定数据为标称特征类型，生成一个分类器函数：

比较新实例的结果：

Method  (2)

使用均匀分布产生某些数据：

对数据分类：

用 Information 来获取方法的说明信息：

查看分群数据：

使用 K 均值对数据分类：

查看分群数据：

使用多正态分布产生大数据集，并且可视化：

使用 ClusterClassify 通过指定使用的方法查找分群，并且查看 AbsoluteTiming:

查看所得分群：

使用 ClusterClassify 查找分群，而不用指定使用的方法，并且查看 AbsoluteTiming:

MissingValueSynthesis  (1)

用多元正态分布生成大型数据集并可视化：

用 ClusterClassify 求聚类：

获取缺失数据点的最高聚类概率：

设置缺失值合成，如果有已知的值，则用估计的最可能的值替换每个缺失变量（这是默认行为）：

用已知值的随机样本替换缺失的变量：

用随机采样策略重复替换缺失变量，获取该点可能聚类的分布：

PerformanceGoal  (1)

产生均匀分布的数据集，并且可视化：

从数据获得分类器，强调训练速度：

对某些随机产生的数据分群，并且查看 AbsoluteTiming:

从该数据获得分类器，并且强调速度：

对某些随机产生的数据分群，并且查看 AbsoluteTiming 与上面比较：

可视化检验数据的两个分群，并且注意设置 "TrainingSpeed" 如何给出更好的结果：

RandomSeeding  (1)

在随机颜色上训练几个分类器：

计算新颜色的分类器，并观察结果总是相同的：

通过使用 RandomSeeding 选项的不同值来对相同颜色上的几个分类器进行训练：

计算 的分类器，并观察分类器的不同之处：

权值  (1)

产生某些包含异常值的分开的数据：

将数据分群：

使用分类器函数，将异常值与另一个点一起分类：

对数据分群，在异常点上添加大的权值：

使用分类器函数对相同点分类：

应用  (3)

在小的正态分布数据集上训练某些分类器：

通过使用大量正态分布随机点上的分类器，将三角形分成各个部分：

产生某些正态分布数据：

不指定类的数目，对数据分群：

指定类的数目，对数据分群：

在图像中求主导颜色：

对按照图像像素值的数组给出的数据分类：

使用分类器对每个像素分群：

使用分类器函数求四个主导颜色：

使用分类器获取每个主导颜色的二值掩模（mask）：

Wolfram Research (2016)，ClusterClassify，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ClusterClassify.html （更新于 2020 年）.

文本

Wolfram Research (2016)，ClusterClassify，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ClusterClassify.html （更新于 2020 年）.

CMS

Wolfram 语言. 2016. "ClusterClassify." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2020. https://reference.wolfram.com/language/ref/ClusterClassify.html.

APA

Wolfram 语言. (2016). ClusterClassify. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ClusterClassify.html 年

BibTeX

@misc{reference.wolfram_2024_clusterclassify, author="Wolfram Research", title="{ClusterClassify}", year="2020", howpublished="\url{https://reference.wolfram.com/language/ref/ClusterClassify.html}", note=[Accessed: 17-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_clusterclassify, organization={Wolfram Research}, title={ClusterClassify}, year={2020}, url={https://reference.wolfram.com/language/ref/ClusterClassify.html}, note=[Accessed: 17-November-2024 ]}