CLUSTER.KMEANS.CENTROIDS
Descrição
O clustering é uma técnica de mineração de dados para agrupar um conjunto de objetos em grupos menores, em que os membros de cada grupo são semelhantes aos outros membros em algum aspecto. O clustering é usado em aprendizado de máquina, por exemplo, onde o objetivo é localizar estruturas significativas ou explicar processos. Você pode agrupar quantitativamente usando números ou qualitativamente usando categorias. CLUSTER.KMEANS.CENTROIDS é uma função quantitativa que permite agrupar um intervalo de dados em uma pasta de trabalho, localizando o ponto central de cada grupo e calculando as distâncias entre os pontos e os centros do grupo. A função agrupa cada ponto de dados com o cluster que tem o centro mais próximo.
Sintaxe
CLUSTER.KMEANS.CENTROIDS(
range1
,
k
, [
maxIterations
], [
distanceMeasure
], [
emptyStrategy
])
- range1: intervalo de células a ser analisado.
- k: o número de clusters a serem formados.
- maxIterations: o número máximo de vezes para reexecutar o algoritmo. Se você não especifica um valor, o limite é 100.
- distanceMeasure: o algoritmo usado para encontrar a distância entre os pontos. Os valores possíveis são CanberraDistance, ChebyshevDistance, EarthMoversDistance, EuclideanDistance ou ManhattanDistance. Se você não especifica um valor, a função usa EuclideanDistance.
- emptyStrategy: a estratégia a ser usada se a função encontra clusters vazios durante a execução das iterações do algoritmo. Os valores possíveis são ERROR, FARTHEST_POINT, LARGEST_POINTS_NUMBER ou LARGEST_VARIANCE. Se você não especifica um valor, a função usa LARGEST_VARIANCE. Se você especifica ERROR, a função retorna #ERROR na célula com uma descrição. Exemplo: CLUSTER.KMEANS: cluster vazio em k-means.