Jenks Natural Breakks, 0 = 1'den 0 = Fit Yok ve 1 = Perfect Fit olmak üzere Varyans Uyumunun İyiliğini optimize ederek çalışır. Sınıf sayısını seçmenin anahtarı, farkları tespit etmek ve verilerinize fazla sığmak arasında bir denge bulmaktır. Optimum sınıf sayısını belirlemek için, istediğiniz bir eşik GVF değeri kullanmanızı ve önce bu değeri karşılayan sınıf sayısını kullanmanızı öneririm.
Aşağıda, sınıflandırılacak bir dizi değer ve seçilen sınıfların sayısı göz önüne alındığında, Varyans Uyumunun İyiliğini hesaplayan bir işlev bulunmaktadır:
from jenks import jenks
import numpy as np
def goodness_of_variance_fit(array, classes):
# get the break points
classes = jenks(array, classes)
# do the actual classification
classified = np.array([classify(i, classes) for i in array])
# max value of zones
maxz = max(classified)
# nested list of zone indices
zone_indices = [[idx for idx, val in enumerate(classified) if zone + 1 == val] for zone in range(maxz)]
# sum of squared deviations from array mean
sdam = np.sum((array - array.mean()) ** 2)
# sorted polygon stats
array_sort = [np.array([array[index] for index in zone]) for zone in zone_indices]
# sum of squared deviations of class means
sdcm = sum([np.sum((classified - classified.mean()) ** 2) for classified in array_sort])
# goodness of variance fit
gvf = (sdam - sdcm) / sdam
return gvf
def classify(value, breaks):
for i in range(1, len(breaks)):
if value < breaks[i]:
return i
return len(breaks) - 1
Örneğin, GVF'nin en az .8 olması gerektiğine karar verdiğinizi düşünün, ardından GVF tatmin olana kadar sınıf sayısını artırabilirsiniz:
gvf = 0.0
nclasses = 2
while gvf < .8:
gvf = goodness_of_variance_fit(array, nclasses)
nclasses += 1