Quelqu'un a-t-il utilisé la fonction de clustering hiérarchique dans JMP pour toutes les données ordinales et testé le fonctionnement des options non-Ward ?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />J'essaie donc de créer des clusters dans JMP avec l'analyse de cluster, mais comme mes données sont toutes catégoriques, je me demandais si certaines des autres options fonctionneraient mieux. Heureusement, il y a peu de menus déroulants à utiliser dans le manuel JMP et Internet n'a pas été particulièrement utile, à part suggérer que pour toutes les données catégorielles, différents algorithmes devraient être utilisés. Toutes les suggestions seraient grandement appréciées. Merci.
Re : Quelqu'un a-t-il utilisé la fonction de clustering hiérarchique dans JMP pour toutes les données ordinales et essayé le fonctionnement des options non-Ward ?Merci beaucoup pour le contexte et désolé pour le lien rompu vers Analyse des correspondances multiples (MCA) . Compte tenu de ce que vous dites, j'y jetterais certainement un œil et verrais ce qui ressort : http://www.jmp.com/support/help/Multiple_Correspondence_Analysis.shtml
Re : Quelqu'un a-t-il utilisé la fonction de clustering hiérarchique dans JMP pour toutes les données ordinales et essayé le fonctionnement des options non-Ward ?Salut Ian,
Merci pour votre réponse rapide. Je suppose que j'aurais non seulement dû marquer avec ordinal mais l'épeler. Alors oui, mes données sont toutes catégorielles, pas de données continues ni de données nominales. J'aurai probablement jusqu'à quelques centaines de colonnes contenant des données et j'essaie simplement d'utiliser la fonction cluster pour déterminer dans quel ordre naturel elles tomberont. Il s'agit donc d'une situation complexe dans laquelle j'ai un produit qui est vendu dans le monde entier mais la manière dont il a été déposé à l'échelle mondiale est légèrement différente pour chaque pays/marché. Le produit doit être vendu tel qu'il a été déposé. Chaque dossier peut présenter des différences subtiles dans la manière dont le produit peut être fabriqué et analysé avant d'être prêt à la vente. J'essaie de trouver à quels groupements naturels les marchés/pays appartiennent en termes d'approvisionnement, puis de vérifier quelle stratégie utiliser au mieux pour aligner le statut/le dépôt des produits dans chaque pays afin de garantir l'absence de pénurie d'approvisionnement et de rendre tous les produits aussi similaires. le plus rapidement possible. J'espère que cela a du sens ?
Alors, quel est le meilleur algorithme à utiliser pour quelque chose comme ça ? Je ne pense pas que je devrais utiliser le « Ward » par défaut, n'est-ce pas ?
Merci pour votre aide!
Re : Quelqu'un a-t-il utilisé la fonction de clustering hiérarchique dans JMP pour toutes les données ordinales et essayé le fonctionnement des options non-Ward ?D'après le fil de discussion, je n'ai pas pu dire si vos données sont catégoriques ou ordinales (ou peut-être un mélange des deux). Ni si vous utilisez « cluster » dans un sens familier ou technique.
Si les données sont catégoriques, je jetterais certainement un œil à : http://www.jmp.com/support/help/Multiple_Correspondence_Analysis.shtml . Si vous avez un mélange de variables catégorielles et continues et/ou ordinales, certains préconiseraient de rendre ces dernières variables catégoriques afin qu'elles puissent elles aussi être incluses dans le MCA. Bien que ce processus perde des informations, il peut parfois être préférable que de ne pas inclure les variables du tout. Et, comme vous l'avez peut-être découvert grâce à vos propres recherches, certains préconisent d'utiliser le résultat de MCA comme entrée pour le clustering, et vous pouvez certainement essayer cela aussi.
En fin de compte, cependant, toute méthode « meilleure », ou même réalisable, dépend des objectifs spécifiques que vous avez fixés (comment les résultats seraient-ils réellement utilisés ?) et de la manière dont les données dont vous disposez font (ou ne font pas...) soutenir la réalisation de ces objectifs. Il va sans dire que de simples résumés graphiques et descriptifs vous aideront à vous orienter dans la bonne direction.
