הודעה: כל הפרויקטים הלא מסחריים שנרשמו לשימוש ב-Earth Engine לפני 15 באפריל 2025 חייבים לאמת את הזכאות לשימוש לא מסחרי כדי לשמור על הגישה. אם לא תאמתו את החשבון עד 26 בספטמבר 2025, יכול להיות שהגישה שלכם תושעה.
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
ביצוע אשכול נתונים באמצעות אלגוריתם k-means. אפשר להשתמש במרחק האוקלידי (ברירת מחדל) או במרחק מנהטן. אם משתמשים במרחק מנהטן, מרכזי המסה מחושבים כממוצע החציונים של הרכיבים ולא כממוצע. למידע נוסף:
ד. ארתור, ס. Vassilvitskii: k-means++: the advantages of careful seeding. In: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 1027-1035, 2007.
שיטת האתחול שבה רוצים להשתמש. 0 = אקראי, 1 = k-means++, 2 = canopy, 3 = farthest first.
canopies
בוליאני, ברירת מחדל: false
אפשר להשתמש בחופות כדי לצמצם את מספר חישובי המרחק.
maxCandidates
מספר שלם, ברירת מחדל: 100
המספר המקסימלי של חופות מועמדות שיישארו בזיכרון בכל זמן נתון כשמשתמשים באשכול חופות. המרחק T2 בתוספת מאפייני הנתונים יקבעו כמה חופות מועמדות ייווצרו לפני שיתבצעו גיזום תקופתי וגיזום סופי, מה שעלול לגרום לצריכת זיכרון מוגזמת. ההגדרה הזו מונעת מצבים שבהם מספר גדול של חופות מועמדות צורך זיכרון.
periodicPruning
מספר שלם, ברירת מחדל: 10,000
תדירות הגיזום של חופות עם צפיפות נמוכה כשמשתמשים באשכולות חופות.
minDensity
מספר שלם, ברירת מחדל: 2
צפיפות מינימלית של חופת העצים, כשמשתמשים באשכולות של חופות עצים, שמתחתיה חופת העצים תיגזם במהלך גיזום תקופתי.
t1
מספר ממשי (float), ברירת מחדל: -1.5
המרחק T1 שמשמש כשמשתמשים בשיטת האשכולות canopy. ערך קטן מ-0 נחשב כמכפיל חיובי ל-T2.
t2
מספר ממשי (float), ברירת מחדל: -1
המרחק T2 שמשמש כשמשתמשים בשיטת האשכולות canopy. ערכים קטנים מ-0 גורמים לשימוש בהיוריסטיקה שמבוססת על סטיית התקן של המאפיין.
distanceFunction
מחרוזת, ברירת מחדל: Euclidean
פונקציית המרחק שבה רוצים להשתמש. האפשרויות הן: Euclidean ו-Manhattan.
maxIterations
מספר שלם, ברירת מחדל: null
המספר המקסימלי של איטרציות.
preserveOrder
בוליאני, ברירת מחדל: false
שמירה על סדר המכונות.
fast
בוליאני, ברירת מחדל: false
מאפשרת חישובים מהירים יותר של מרחקים, באמצעות ערכי סף. משביתה את החישוב או הפלט של שגיאות או מרחקים בריבוע.
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2025-07-26 (שעון UTC)."],[],["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"]]
