CLUSTER.KMEANS.CENTROIDS
Description
Le clustering est une technique d'extraction de données qui permet de regrouper un ensemble d'objets en groupes plus petits, où les membres de chaque groupe sont semblables à certains égards. Le clustering est utilisé en machine learning, par exemple, où l'objectif consiste à trouver des structures pertinentes ou expliquer des processus. Vous pouvez réaliser un cluster quantitatif à l'aide de nombres ou qualitatif à l'aide de catégories. CLUSTER.KMEANS.CENTROIDS est une fonction quantitative qui vous permet de regrouper une plage de données dans un classeur en localisant le point central de chaque groupe et en calculant les distances entre des points et des centres de groupes. La fonction regroupe chaque point de données avec le cluster ayant le centre le plus proche.
Syntaxe
CLUSTER.KMEANS.CENTROIDS(
range1
,
k
, [
maxIterations
], [
distanceMeasure
], [
emptyStrategy
])
- range1: plage de cellules à analyser.
- k: nombre de clusters à créer.
- maxIterations: le nombre maximum de réexécutions de l'algorithme. Si vous n'indiquez pas de valeur, le nombre de réexécutions est limité à 100.
- distanceMeasure: algorithme utilisé pour trouver la distance entre les points. Les valeurs possibles sont CanberraDistance, ChebyshevDistance, EarthMoversDistance, EuclideanDistance ou ManhattanDistance. Si vous n'indiquez pas de valeur, la fonction utilise la distance euclidienne.
- emptyStrategy: stratégie à utiliser si la fonction trouve des clusters vides lors de l'exécution des itérations de l'algorithme. Les valeurs possibles sont ERROR, FARTHEST_POINT, LARGEST_POINTS_NUMBER ou LARGEST_VARIANCE. Si vous n'indiquez pas de valeur, la fonction utilise LARGEST_VARIANCE. Si vous indiquez ERROR, la fonction renvoie #ERROR dans la cellule avec une description. Exemple : CLUSTER.KMEANS : cluster vide en k-moyens.