আর্থ ইঞ্জিন শেয়ার্ড কম্পিউট রিসোর্সগুলিকে সুরক্ষিত রাখতে এবং সকলের জন্য নির্ভরযোগ্য কর্মক্ষমতা নিশ্চিত করতে অ-বাণিজ্যিক কোটা স্তর চালু করছে। সমস্ত অ-বাণিজ্যিক প্রকল্পকে ২৭ এপ্রিল, ২০২৬ এর মধ্যে একটি কোটা স্তর নির্বাচন করতে হবে অথবা ডিফল্টভাবে কমিউনিটি স্তর ব্যবহার করতে হবে। স্তর কোটা সমস্ত প্রকল্পের জন্য (স্তর নির্বাচনের তারিখ নির্বিশেষে) ২৭ এপ্রিল, ২০২৬ থেকে কার্যকর হবে। আরও জানুন।
ee.Clusterer.wekaKMeans
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
k-মানে অ্যালগরিদম ব্যবহার করে ক্লাস্টার ডেটা। ইউক্লিডীয় দূরত্ব (ডিফল্ট) বা ম্যানহাটন দূরত্ব ব্যবহার করতে পারেন। যদি ম্যানহাটান দূরত্ব ব্যবহার করা হয়, তাহলে সেন্ট্রোয়েডগুলিকে কম্পোনেন্ট-ভিত্তিক মধ্যক হিসাবে গণনা করা হয়, গড় না করে। আরও তথ্যের জন্য দেখুন:
ব্যবহার করার জন্য সূচনা পদ্ধতি। 0 = এলোমেলো, 1 = k- মানে++, 2 = ক্যানোপি, 3 = সবচেয়ে দূরের প্রথম।
canopies
বুলিয়ান, ডিফল্ট: মিথ্যা
দূরত্বের গণনার সংখ্যা কমাতে ক্যানোপি ব্যবহার করুন।
maxCandidates
পূর্ণসংখ্যা, ডিফল্ট: 100
ক্যানোপি ক্লাস্টারিং ব্যবহার করার সময় যে কোনো এক সময়ে মেমরিতে রাখতে প্রার্থী ক্যানোপির সর্বোচ্চ সংখ্যা। T2 দূরত্ব প্লাস, ডেটা বৈশিষ্ট্য, পর্যায়ক্রমিক এবং চূড়ান্ত ছাঁটাই সঞ্চালিত হওয়ার আগে কতগুলি প্রার্থী ক্যানোপি তৈরি করা হয়েছে তা নির্ধারণ করবে, যার ফলে অতিরিক্ত মেমরি খরচ হতে পারে। এই সেটিং মেমরি গ্রাসকারী প্রার্থী ক্যানোপির বড় সংখ্যা এড়ায়।
periodicPruning
পূর্ণসংখ্যা, ডিফল্ট: 10000
ক্যানোপি ক্লাস্টারিং ব্যবহার করার সময় কত ঘন ঘন কম ঘনত্বের ক্যানোপি ছাঁটাই করতে হবে।
minDensity
পূর্ণসংখ্যা, ডিফল্ট: 2
ন্যূনতম ক্যানোপি ঘনত্ব, ক্যানোপি ক্লাস্টারিং ব্যবহার করার সময়, যার নীচে পর্যায়ক্রমিক ছাঁটাইয়ের সময় একটি ছাঁটাই করা হবে।
t1
ফ্লোট, ডিফল্ট: -1.5
ক্যানোপি ক্লাস্টারিং ব্যবহার করার সময় ব্যবহার করার জন্য T1 দূরত্ব। একটি মান < 0 টি 2 এর জন্য ধনাত্মক গুণক হিসাবে নেওয়া হয়।
t2
ভাসা, ডিফল্ট: -1
ক্যানোপি ক্লাস্টারিং ব্যবহার করার সময় ব্যবহার করার জন্য T2 দূরত্ব। মান < 0 বৈশিষ্ট্য std এর উপর ভিত্তি করে একটি হিউরিস্টিক সৃষ্টি করে। বিচ্যুতি ব্যবহার করা হবে।
distanceFunction
স্ট্রিং, ডিফল্ট: "ইউক্লিডীয়"
ব্যবহার করার জন্য দূরত্ব ফাংশন। বিকল্পগুলি হল: ইউক্লিডিয়ান এবং ম্যানহাটন।
maxIterations
পূর্ণসংখ্যা, ডিফল্ট: নাল
পুনরাবৃত্তির সর্বাধিক সংখ্যা।
preserveOrder
বুলিয়ান, ডিফল্ট: মিথ্যা
দৃষ্টান্তের ক্রম সংরক্ষণ করুন।
fast
বুলিয়ান, ডিফল্ট: মিথ্যা
কাট-অফ মান ব্যবহার করে দ্রুত দূরত্বের গণনা সক্ষম করে। বর্গক্ষেত্র ত্রুটি/দূরত্বের গণনা/আউটপুট নিষ্ক্রিয় করে।
[[["সহজে বোঝা যায়","easyToUnderstand","thumb-up"],["আমার সমস্যার সমাধান হয়েছে","solvedMyProblem","thumb-up"],["অন্যান্য","otherUp","thumb-up"]],[["এতে আমার প্রয়োজনীয় তথ্য নেই","missingTheInformationINeed","thumb-down"],["খুব জটিল / অনেক ধাপ","tooComplicatedTooManySteps","thumb-down"],["পুরনো","outOfDate","thumb-down"],["অনুবাদ সংক্রান্ত সমস্যা","translationIssue","thumb-down"],["নমুনা / কোড সংক্রান্ত সমস্যা","samplesCodeIssue","thumb-down"],["অন্যান্য","otherDown","thumb-down"]],["2025-07-24 UTC-তে শেষবার আপডেট করা হয়েছে।"],[],["The k-means algorithm clusters data using either Euclidean or Manhattan distance. Manhattan distance uses component-wise median for centroids, while Euclidean uses the mean. Initialization methods include random, k-means++, canopy, and farthest first. Canopies can be used to optimize distance calculations. Parameters control the number of clusters, pruning frequency, density thresholds, and distance settings. Additional options include limiting iterations, preserving data order, and using a fast distance calculation mode.\n"]]
