Hierarchische Clusteranalyse
Konstruieren und visualisieren Sie das hierarchische Cluster beliebiger Daten mithilfe der neuen Funktion ClusteringTree in Version 11.
Erstellen Sie ein Cluster von Städten basierend auf ihrer Entfernung zueinander.
In[1]:=
![Click for copyable input](assets.de/clustering-tree/In_21.png)
ClusteringTree[{Entity[
"City", {"London", "GreaterLondon", "UnitedKingdom"}],
Entity["City", {"Paris", "IleDeFrance", "France"}],
Entity["City", {"Chicago", "Illinois", "UnitedStates"}],
Entity["City", {"Tokyo", "Tokyo", "Japan"}],
Entity["City", {"Boston", "Massachusetts", "UnitedStates"}],
Entity["City", {"Moscow", "Moscow", "Russia"}],
Entity["City", {"SanDiego", "California", "UnitedStates"}],
Entity["City", {"Baltimore", "Maryland", "UnitedStates"}]}]
Out[1]=
![](assets.de/clustering-tree/O_16.png)
Erstellen Sie eine Cluster-Hierarchie aus einer Liste Farben.
In[2]:=
![Click for copyable input](assets.de/clustering-tree/In_22.png)
colors = RandomColor[18]
Out[2]=
![](assets.de/clustering-tree/O_17.png)
In[3]:=
![Click for copyable input](assets.de/clustering-tree/In_23.png)
ClusteringTree[colors, ClusterDissimilarityFunction -> "Centroid"]
Out[3]=
![](assets.de/clustering-tree/O_18.png)
Verwenden Sie ein anderes GraphLayout.
In[4]:=
![Click for copyable input](assets.de/clustering-tree/In_24.png)
ClusteringTree[RandomColor[40],
ClusterDissimilarityFunction -> "Centroid",
GraphLayout -> "RadialDrawing"]
Out[4]=
![](assets.de/clustering-tree/O_19.png)