パラメータ例等

散布図
chart?chd=t:10,30,50,70,50,20,40,60|30,30,10,40,50,20,40,30&max=80&cht=s

凸包
chart?chd=t:10,30,50,70,50|30,30,10,40,50&max=80&cht=c
chart?chd=t:10,30,50,70,50,20,40,60|30,30,10,40,50,20,40,30&max=80&cht=c

ボロノイ図
chart?chd=t:10,30,50,70,50|30,30,10,40,50&max=80&cht=v
chart?chd=t:10,30,50,70,50,20,40,60|30,30,10,40,50,20,40,30&max=80&cht=v

最小包含円
chart?chd=t:10,30,50,70,50|30,30,10,40,50&max=80&cht=bsph
chart?chd=t:10,50,70|30,0,40&max=80&cht=bsph
chart?chd=t:10,30,50,70,50|30,70,20,40,50&max=80&cht=bsph

以下のクラスタ分析は最近隣法、ウォード法に関してはパラメータ「part」で分割数を指定する。
K-means法は「part」で初期クラスタの数を指定する(最終的な分割数はそれより少なくなる可能性がある)
サポートベクターマシンは「x,x,x|y,y,y|c,c,c」の様に指定、「c」の部分が学習用の初期クラスタで、分割数は初期クラスタの種類に依存する。
クラスタ分析(最近隣法)
chart?chd=t:10,30,60,70,50,20,30,60|30,30,10,40,50,20,40,30&max=80&cht=cls&part=2
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=cls&part=3
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=cls&part=2

クラスタ分析(ウォード法)
chart?chd=t:10,30,60,70,50,20,30,60|30,30,10,40,50,20,40,30&max=80&cht=clw&part=2
chart?chd=t:10,30,60,70,50,20,30,60|30,30,10,40,50,20,40,30&max=80&cht=clw&part=2&voronoi=1
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=clw&part=3
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=clw&part=3&voronoi=1
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=clw&part=2
chart?chd=t:10,10,30,40,60,70,50,20,40,60|30,50,30,10,10,30,50,20,60,30&max=80&cht=clw&part=2
ウォード法はクラスタが中心地を持ち、追加された母点は最も中心地の近いクラスタに分類される
この特性から、ウォード法の各クラスタの領域は、クラスタの中心を母点としたボロノイ図で表現できる。

クラスタ分析(K-means法)
chart?chd=t:10,30,60,70,50,20,30,60|30,30,10,40,50,20,40,30&max=80&cht=clk&part=2
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=clk&part=3
chart?chd=t:10,20,60,70,20,20,20,60|30,30,10,40,50,20,40,30&max=80&cht=clk&part=2
chart?chd=t:10,30,60,70,50,20,40,60|30,30,10,30,50,20,60,30&max=80&cht=clk&part=3&voronoi=1
chart?chd=t:10,20,60,70,20,20,20,60|30,30,10,40,50,20,40,30&max=80&cht=clk&part=2&voronoi=1
K-means法は初期のクラスタ割り当てに乱数を使う関係上、結果が実行するたびに変動する。
また、指定した分割数通りに分割されない場合もあるが、リロードを繰り返すと解決する事もある。
通常はリロードするごとに結果が変わるが、パラメータseedを与えれば固定化した結果を得られる。
K-meansもウォード法同様にクラスタの中心を持つので、各クラスタの領域をボロノイ図で表現できる。

クラスタ分析(サポートベクターマシン)
chart?chd=t:10,30,60,70,30,20,40,60,70|30,30,10,30,50,20,60,30,60|1,1,2,2,1,1,0,0,0&max=80&cht=clsvm
サポートベクターマシンは教師有りクラスタ分析なので、初期クラスタをヒントとして与える必要がある。
そのヒントによって分析パターンを学習し、まだクラスタに属さないサンプルの分析に活用する。