CLUSTER.KMEANS
Descripción
La agrupación en clústeres es una técnica de minería de datos para agrupar un conjunto de objetos en grupos más pequeños, donde los miembros de cada grupo son similares a los otros miembros en algún aspecto. La agrupación en clústeres se utiliza en el aprendizaje automático, por ejemplo, donde la meta es encontrar estructuras significativas o explicar procesos. Puede agrupar cuantitativamente utilizando números o cualitativamente utilizando categorías. CLUSTER.KMEANS es una función cuantitativa que le permite agrupar un rango de datos de un libro de trabajo calculando las distancias entre los puntos y agrupando los centros. La función agrupa cada punto de datos con el clúster que tenga el centro más cerca.
Sintaxis
CLUSTER.KMEANS(
range1
,
k
, [
maxIterations
], [
distanceMeasure
], [
emptyStrategy
])
- range1: el rango de celdas que se va a analizar.
- k: el número de clústeres que se van a crear.
- maxIterations: el número máximo de veces para volver a ejecutar el algoritmo. Si no especifica un valor, el límite es 100.
- distanceMeasure: el algoritmo utilizado para encontrar la distancia entre puntos. Los valores posibles son CanberraDistance, ChebyshevDistance, EarthMoversDistance, EuclideanDistance o ManhattanDistance. Si no especifica un valor, la función usa EuclideanDistance.
- emptyStrategy: la estrategia que se utilizará si la función encuentra clústeres vacíos al ejecutar las iteraciones del algoritmo. Los valores posibles son ERROR, FARTHEST_POINT, LARGEST_POINTS_NUMBER o LARGEST_VARIANCE. Si no especifica un valor, la función utiliza LARGEST_VARIANCE. Si especifica ERROR, la función devuelve #ERROR en la celda con una descripción. Ejemplo: CLUSTER.KMEANS: clúster vacío en k-means.