轮廓

剪影情节

折叠所有页面

句法

剪影（x，clust）

剪影（X，Clust，距离）

clust轮廓(X,距离,DistParameter)

s =剪影（___）

[s、h] =轮廓(___）

描述

例子

轮廓(X那克星）地块群轮廓为N.——- - - - - -P.输入数据矩阵X，给定集群分配克星每个点（观察）X．

例子

轮廓(X那克星那距离）使用中指定的点间距离度量绘制轮廓距离．

例子

轮廓(X那克星那距离那DistParameter）在指定时接受一个或多个额外的距离度量参数值距离作为自定义距离功能手柄@distfun它接受附加参数值。

例子

S.=剪影（___）返回轮廓值S.对于前一个语法中的任何输入参数组合而无需绘制群集剪影。

例子

[S.那H] =剪影（___）绘制轮廓并返回图形句柄H除了轮廓值S.．

例子

全部收缩

创建轮廓图

打开生活的脚本

使用不同的距离度量从聚集的数据创建轮廓图。

生成随机样本数据。

rng (“默认”）%的再现性X = [randn (10, 2) + 3; randn (10, 2) 3);

创建数据的散点图。

散射(X (: 1), (2):,);标题('随机生成的数据'）;

图中包含一个轴对象。标题为随机生成数据的轴对象包含一个类型为scatter的对象。

散点图表明，数据似乎被分成两个相同大小的簇。

将数据分区为两个群集使用kmeans用默认的平方欧几里得距离度量。

clust = kmeans (X, 2);

克星包含数据的群集索引。

使用默认的平方欧几里德距离度量从群集数据创建剪影图。

剪影（x，clust）

图中包含一个轴对象。axis对象包含一个bar类型的对象。

剪影图显示数据被分成两个大小相同的簇。两个星团中的所有点都有较大的剪影值(0.8或更大)，表明星团分离得很好。

使用欧几里得距离度量从聚类数据创建一个轮廓图。

剪影（X，Clust，“欧几里得”）

图中包含一个轴对象。axis对象包含一个bar类型的对象。

剪影图显示数据被分成两个大小相同的簇。两个星团中的所有点都有较大的剪影值(0.6或更大)，表明星团被很好地分离。

计算轮廓值

打开生活的脚本

从聚类数据中计算轮廓值。

生成随机样本数据。

rng (“默认”）%的再现性X = [randn (10, 2) + 1; randn (10, 2) 1];

群集数据X根据距离距离的绝对差异总和kmeans．

clust = kmeans (X 2“距离”那“cityblock”）;

克星包含数据的群集索引。

从聚集的数据中计算轮廓值。指定距离度量为“cityblock”表示kmeans聚类是基于绝对差异之和。

s =轮廓(X, clust,“cityblock”）

s =20×10.0816 0.0816 0.5848 0.1906 0.2781 0.3954 0.4050 0.0897 0.0897 0.5416 0.6203 0.6664⋮

使用自定义距离度量查找轮廓值

打开生活的脚本

使用自定义Chi-Square距离度量查找来自聚类数据的轮廓值。验证Chi-Square距离度量等同于欧几里德距离度量，而是具有可选的缩放参数。

生成随机样本数据。

rng (“默认”）;%的再现性X = [randn (10, 2) + 3; randn (10, 2) 3);

群集数据X使用kmeans用默认的平方欧几里得距离度量。

clust = kmeans (X, 2);

找到轮廓值，并使用欧几里得距离度量从聚类数据创建一个轮廓图。

[s，h] =剪影（x，clust，“欧几里得”）

图中包含一个轴对象。axis对象包含一个bar类型的对象。

s =20×10.6472 0.72441 0.5682 0.7658 0.7864 0.6397 0.7253 0.7783 0.7054 0.7442⋮

H =图（1）具有属性：Number：1名称：''颜色：[1 1 1]位置：[348 480 583 437]单位：'Pixels'显示所有属性

卡方距离j维点X和Z.是

$χ （ X 那 Z. ） = \sqrt{\sum_{j = 1}^{j} {W.}_{j} {（ X_{j} - {Z.}_{j} ）}^{2}} 那$

在哪里 ${W.}_{j}$ 重量与尺寸有关吗j．

为每个维度设置权重，并指定卡方距离函数。距离函数必须:

作为输入论点N.——- - - - - -P.输入数据矩阵X，一排X（例如，X）和缩放（或重量）参数W.．
计算距离X每一行X．
返回长度的向量N.．矢量的每个元素是对应的观察之间的距离X和对应于每行的观察X．

w = [0.4;0.6];%设置任意权重进行说明chiSqrDist = @ x, Z, w)√((bsxfun (@minus, x, Z)。^ 2)* w);

使用自定义距离度量查找来自群集数据的剪影值Chisqrdist.．

s1 =轮廓(X, clust chiSqrDist w)

s1 =20×10.6288 0.7239 0.6244 0.7696 0.7957 0.7957 0.6688 0.7386 0.7865 0.7223 0.7572⋮

设置尺寸的重量为1以使用Chisqrdist.作为欧几里得距离度量。找到剪影值，并验证他们是相同的值在S.．

w2 = [1;1);s2 =轮廓(X, clust chiSqrDist w2);AreValuesEqual = isequal (s2, s)

AreValuesEqual =逻辑1

轮廓值相同S.和s2．

输入参数

全部收缩

`X`-输入数据
数字矩阵

输入数据，指定为大小的数字矩阵N.——- - - - - -P.．行对应点，列对应坐标。

数据类型:单|双

`克星`-集群分配
分类变量|数字矢量|字符矩阵|字符串数组|字符向量的单元格数组

群集赋值，指定为包含中每个点的群集名称的字符向量的分类变量、数字向量、字符矩阵、字符串数组或单元数组X．

轮廓对待南s和空值克星缺少值并忽略相应的行X．

数据类型:单|双|字符|字符串|细胞|分类

`距离`-距离度量
`“sqEuclidean”`(默认)|`“欧几里得”`|`“cityblock”`|功能手柄|成对距离的向量|……

距离度量，指定为字符向量，字符串标量或函数句柄，如本表中所述。

公制	描述
`“欧几里得”`	欧氏距离
`“sqEuclidean”`	平方欧几里得距离(默认)
`“cityblock”`	绝对差异的总和
`'余弦'`	一个减去点之间夹角的余弦（作为向量处理）
`“相关”`	一个减去点之间的样本相关性（视为值序列）
`'汉明'`	不同的坐标百分比
`“Jaccard”`	不同的非零坐标的百分比
向量	的创建形式中，成对距离的数字行向量`Pdist.`功能。`X`在这种情况下不使用，可以安全地设置为`［］`．
`@distfun`	自定义距离功能句柄。距离功能具有表单函数d = distfun（x0，x，`DistParameter`) %计算距离… 在哪里 `X0`是一个`1`——- - - - - -P.传染媒介包含输入数据矩阵的单点（观察）`X`． `X`是一个N.——- - - - - -P.矩阵点。 `DistParameter`表示特定于的一个或多个附加参数值`@distfun`． `D.`是一个N.——- - - - - -`1`距离矢量，和`D（k）`是观察之间的距离`X0`和`X (k,:)`．