Anúncio: todos os projetos não comerciais registrados para usar o Earth Engine antes de 15 de abril de 2025 precisam verificar a qualificação não comercial para manter o acesso ao Earth Engine.
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Agrupe os dados usando o algoritmo k-means. Pode usar a distância euclidiana (padrão) ou a distância de Manhattan. Se a distância de Manhattan for usada, os centroides serão calculados como a mediana por componente, em vez da média. Para mais informações, acesse:
D. Arthur, S. Vassilvitskii: k-means++: as vantagens de uma inicialização cuidadosa. Em: Anais do 18º simpósio anual da ACM-SIAM sobre algoritmos discretos, 1027-1035, 2007.
Método de inicialização a ser usado. 0 = aleatório, 1 = k-means++, 2 = canopy, 3 = farthest first.
canopies
Booleano, padrão: falso
Use coberturas para reduzir o número de cálculos de distância.
maxCandidates
Número inteiro. Padrão: 100
Número máximo de coberturas candidatas a serem mantidas na memória a qualquer momento ao usar o clustering de cobertura. A distância T2 mais as características dos dados determinam quantas coberturas candidatas são formadas antes da poda periódica e final, o que pode resultar em consumo excessivo de memória. Essa configuração evita que um grande número de coberturas candidatas consuma memória.
periodicPruning
Número inteiro, padrão: 10000
Com que frequência podar copas de baixa densidade ao usar o clustering de copas.
minDensity
Número inteiro, padrão: 2
Densidade mínima de cobertura, ao usar o clustering de cobertura, abaixo da qual uma cobertura será cortada durante a poda periódica.
t1
Ponto flutuante, padrão: -1,5
A distância T1 a ser usada com o clustering de cobertura. Um valor < 0 é considerado um multiplicador positivo para T2.
t2
Ponto flutuante, padrão: -1
A distância T2 a ser usada com o clustering de cobertura. Valores < 0 fazem com que uma heurística baseada no desvio padrão do atributo seja usada.
distanceFunction
String, padrão: "Euclidean"
Função de distância a ser usada. As opções são: euclidiana e de Manhattan.
maxIterations
Número inteiro, padrão: nulo
Número máximo de iterações.
preserveOrder
Booleano, padrão: falso
Preservar a ordem das instâncias.
fast
Booleano, padrão: falso
Permite cálculos de distância mais rápidos usando valores de corte. Desativa o cálculo/saída de erros/distâncias quadradas.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 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"]]
