CLUSTER.KMEANS.CENTROIDS
Beschreibung
Clustering ist eine Data-Mining-Technik, bei der eine Reihe von Objekten in kleineren Gruppen gruppiert werden, wobei sich die Mitglieder jeder Gruppe in einigen Aspekten ähneln. Clustering wird beispielsweise beim maschinellen Lernen eingesetzt, wenn es darum geht, sinnvolle Strukturen zu finden oder Prozesse zu erklären. Sie können quantitativ mithilfe von Zahlen oder qualitativ mithilfe von Kategorien gruppieren. CLUSTER.KMEANS.CENTROIDS ist eine quantitative Funktion, mit der Sie einen Datenbereich in einer Arbeitsmappe gruppieren können, indem Sie den Mittelpunkt jeder Gruppe suchen und die Entfernungen zwischen Punkten und Gruppenzentren berechnen. Die Funktion gruppiert jeden Datenpunkt mit dem Cluster mit dem nächstgelegenen Zentrum.
Syntax
CLUSTER.KMEANS.CENTROIDS(
range1
,
k
, [
maxIterations
], [
distanceMeasure
], [
emptyStrategy
])
- range1: Der Zellenbereich, der analysiert werden soll.
- k: Die Anzahl der zu erstellenden Cluster.
- maxIterations: Die maximale Anzahl der Wiederholungen des Algorithmus. Wenn Sie keinen Wert angeben, beträgt der Grenzwert 100.
- distanceMeasure: Der Algorithmus, mit dem der Abstand zwischen Punkten ermittelt wird. Mögliche Werte sind CanberraDistance, ChebyshevDistance, EarthMoversDistance, EuclideanDistance oder ManhattanDistance. Wenn Sie keinen Wert angeben, verwendet die Funktion EuclideanDistance.
- emptyStrategy: Die Strategie, die verwendet wird, wenn die Funktion während der Ausführung der Algorithmusiterationen leere Cluster findet. Mögliche Werte sind ERROR, FARTHEST_POINT, LARGEST_POINTS_NUMBER oder LARGEST_VARIANCE. Wenn Sie keinen Wert angeben, verwendet die Funktion LARGEST_VARIANCE. Wenn Sie „ERROR“ angeben, gibt die Funktion in der Zelle #ERROR zurück mit einer Beschreibung. Beispiel: CLUSTER.KMEANS: Leerer Cluster in k-Means.