CLUSTER.KMEANS.CENTROIDS
Descrizione
Il clustering è una tecnica di data mining che serve a suddividere un insieme di oggetti in gruppi più piccoli, dove i membri di ogni gruppo sono in qualche modo simili tra loro. Il clustering viene utilizzato, ad esempio, nel machine learning, per trovare strutture significative o spiegare i processi. È possibile effettuare il clustering in modo quantitativo utilizzando i numeri o in modo qualitativo utilizzando le categorie. CLUSTER.KMEANS.CENTROIDS è una funzione quantitativa che consente di raggruppare un intervallo di dati in una cartella di lavoro, individuando il punto centrale di ogni gruppo e calcolando le distanze tra i punti e i centri dei gruppi. La funzione raggruppa ogni punto dati con il cluster che ha il centro più vicino.
Sintassi
CLUSTER.KMEANS.CENTROIDS(
range1
,
k
, [
maxIterations
], [
distanceMeasure
], [
emptyStrategy
])
- range1: l'intervallo di celle da analizzare.
- k: il numero di cluster da creare.
- maxIterations: il numero massimo di volte per rieseguire l'algoritmo. Se non si specifica un valore, il limite è 100.
- distanceMeasure: l'algoritmo utilizzato per trovare la distanza tra i punti. I valori possibili sono CanberraDistance, ChebyshevDistance, EarthMoversDistance, EuclideanDistance o ManhattanDistance. Se non si specifica nessun valore, la funzione utilizza EuclideanDistance.
- emptyStrategy: la strategia da utilizzare se la funzione trova cluster vuoti durante l'esecuzione delle iterazioni dell'algoritmo. I valori possibili sono ERROR, FARTHEST_POINT, LARGEST_POINTS_NUMBER o LARGEST_VARIANCE. Se non si specifica nessun valore, la funzione utilizza LARGEST_VARIANCE. Se si specifica ERROR, la funzione restituisce #ERROR nella cella con una descrizione. Ad esempio, CLUSTER.KMEANS: cluster vuoto in k-means.