Duyuru: 15 Nisan 2025'ten önce Earth Engine'i kullanmak için kaydedilen tüm ticari olmayan projelerin erişimlerini sürdürebilmeleri için ticari olmayan uygunluklarını doğrulamaları gerekir. 26 Eylül 2025'e kadar doğrulama yapmazsanız erişiminiz bekletilebilir.
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
K-ortalama algoritmasını kullanarak verileri kümeleyin. Öklid uzaklığı (varsayılan) veya Manhattan uzaklığı kullanılabilir. Manhattan uzaklığı kullanılıyorsa merkezoidler, ortalama yerine bileşen bazında medyan olarak hesaplanır. Daha fazla bilgi için:
D. Arthur, S. Vassilvitskii: k-means++: the advantages of careful seeding. In: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 1027-1035, 2007.
Kullanılacak başlatma yöntemi. 0 = rastgele, 1 = k-means++, 2 = canopy, 3 = en uzak ilk.
canopies
Boole değeri, varsayılan: false
Mesafe hesaplamalarının sayısını azaltmak için kanopiler kullanın.
maxCandidates
Tam sayı, varsayılan: 100
Kanopi kümeleme kullanılırken aynı anda bellekte tutulacak maksimum aday kanopi sayısı. T2 mesafesi ve veri özellikleri, periyodik ve nihai budama işlemleri yapılmadan önce kaç tane aday kanopi oluşturulacağını belirler. Bu durum, aşırı bellek tüketimine neden olabilir. Bu ayar, çok sayıda aday kanopinin belleği tüketmesini önler.
periodicPruning
Tam sayı, varsayılan: 10000
Kanopi kümeleme kullanılırken düşük yoğunluklu kanopilerin ne sıklıkta budanacağı.
minDensity
Tamsayı, varsayılan: 2
Kanopi kümeleme kullanılırken minimum kanopi yoğunluğu. Bu yoğunluğun altında, kanopi periyodik budama sırasında budanır.
t1
Kayan nokta, varsayılan: -1,5
Çardak kümeleme kullanılırken kullanılacak T1 mesafesi. 0'dan küçük bir değer, T2 için pozitif bir çarpan olarak kabul edilir.
t2
Ondalık sayı, varsayılan: -1
Çadır kümeleme kullanılırken kullanılacak T2 mesafesi. 0'dan küçük değerler, özelliğin standart sapmasına dayalı bir sezgisel yöntemin kullanılmasına neden olur.
distanceFunction
Dize, varsayılan: "Euclidean"
Kullanılacak mesafe işlevi. Seçenekler: Öklid ve Manhattan.
maxIterations
Tam sayı, varsayılan: null
Maksimum yineleme sayısı.
preserveOrder
Boole değeri, varsayılan: false
Örneklerin sırasını koruyun.
fast
Boole değeri, varsayılan: false
Kesme değerlerini kullanarak daha hızlı mesafe hesaplamaları yapmanızı sağlar. Kare hataların/mesafelerin hesaplanmasını/çıkışını devre dışı bırakır.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2025-07-26 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"]]