Pengumuman: Semua project nonkomersial yang terdaftar untuk menggunakan Earth Engine sebelum 15 April 2025 harus memverifikasi kelayakan nonkomersial untuk mempertahankan akses Earth Engine.
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Mengelompokkan data menggunakan algoritma k-means. Dapat menggunakan jarak Euclidean (default) atau jarak Manhattan. Jika jarak Manhattan digunakan, sentroid dihitung sebagai median per komponen, bukan rata-rata. Untuk mengetahui informasi selengkapnya, lihat:
D. Arthur, S. Vassilvitskii: k-means++: the advantages of careful seeding. Dalam: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 1027-1035, 2007.
Metode inisialisasi yang akan digunakan. 0 = acak, 1 = k-means++, 2 = kanopi, 3 = terjauh terlebih dahulu.
canopies
Boolean, default: false
Gunakan kanopi untuk mengurangi jumlah penghitungan jarak.
maxCandidates
Bilangan bulat, default: 100
Jumlah maksimum kanopi kandidat yang akan dipertahankan dalam memori setiap saat saat menggunakan pengelompokan kanopi. Jarak T2 plus, karakteristik data, akan menentukan jumlah kanopi kandidat yang terbentuk sebelum pemangkasan berkala dan akhir dilakukan, yang dapat menyebabkan konsumsi memori berlebih. Setelan ini menghindari sejumlah besar kanopi kandidat yang menggunakan memori.
periodicPruning
Bilangan bulat, default: 10000
Seberapa sering harus memangkas kanopi dengan kepadatan rendah saat menggunakan pengelompokan kanopi.
minDensity
Bilangan bulat, default: 2
Kepadatan kanopi minimum, saat menggunakan pengelompokan kanopi, di bawahnya kanopi akan dipangkas selama pemangkasan berkala.
t1
Float, default: -1,5
Jarak T1 yang akan digunakan saat menggunakan pengelompokan kanopi. Nilai < 0 dianggap sebagai pengganda positif untuk T2.
t2
Float, default: -1
Jarak T2 yang akan digunakan saat menggunakan pengelompokan kanopi. Nilai < 0 menyebabkan penggunaan heuristik berdasarkan standar deviasi atribut.
distanceFunction
String, default: "Euclidean"
Fungsi jarak yang akan digunakan. Opsinya adalah: Euclidean dan Manhattan.
maxIterations
Bilangan bulat, default: null
Jumlah maksimum iterasi.
preserveOrder
Boolean, default: false
Mempertahankan urutan instance.
fast
Boolean, default: false
Memungkinkan penghitungan jarak yang lebih cepat, menggunakan nilai batas. Menonaktifkan penghitungan/output kesalahan/jarak kuadrat.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-07-26 UTC."],[[["Clusters data using the k-means algorithm with either Euclidean (default) or Manhattan distance."],["If Manhattan distance is selected, centroids are calculated using the component-wise median instead of the mean."],["Offers various initialization methods including random, k-means++, canopy, and farthest first."],["Allows customization of distance calculation, iteration limits, and performance optimization through parameters."]]],["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"]]
