こんにちは、みんな、
私は変数削減とクラスタリングの両方を行う必要があるシステムで作業しています。魚の行動を研究しています。行動処理は 3 つあり、PCA バイプロットを見ると、データが 2 つのグループにクラスター化されていることは明らかで、それらは最低と最高の処理カテゴリにほぼ対応しています。中間カテゴリは 2 つに分割されています。K 平均法を使用して、処理変数を 3 つではなく 2 つの処理に統合し、後の分析で使用したいと考えています。
2つの質問:
1: 非常に類似した相関性の高い複数の入力 (体の曲率を測定する複数の異なる方法) を使用している場合、クラスタリング アルゴリズムに影響しますか? クラスタリングの前に変数の削減を行う必要がありますか?
2: 「これらのクラスターは何も意味しません。もちろん、クラスタリング アルゴリズムは違いを見つけるでしょう」というレビュー担当者のコメントを受け取りました。K 平均法クラスターの動作方法を参照してこれらのコメントに対処する方法はありますか。
ありがとう、
スティーブン
こんにちはStephen2020-含まれている画像を見て非常に強力なPCA結果があります。これは、2つのグループに対する統計的サポートです。K-meansはPCAの結果を使用するため、K-meansを実行する一環として変数削減を実行しました。
主成分プラットフォームで、固有値の有意性についてバートレット検定を実行します。K平均法を実行すると、バイプロットの下にこれらの固有値が表示されます。バートレット検定で何も意味がない場合、K平均法で非常に良いグループを取得できません。同様に、変動の多くを説明する固有値がない場合、実際には相関構造があまりなく、変数の削減ではあまり効果がありません（したがって、K平均法では魔法のように明確なグループ化が行われません）。
CCCを使用して他の数のクラスターをテストすることができます。2を取得した場合、これは追加のサポートであり、2はクラスターの数として適切です。CCCは3次クラスタリング基準であり、2から5など、さまざまなクラスタを試します。ドキュメントには、このメソッドのリファレンスがあります。2が得られない場合は、2つのグループを使用しないことの正当な理由にはなりません（専門知識が2つのグループの選択を導くためです）。CCCはガイドおよびサポートの証拠にすぎません。
最後に、グループについて報告された平均と標準偏差をK平均で使用します。クラスター間で標準偏差がオーバーラップしていますか（一方のオーバーラップが他方のローとオーバーラップしています-これを計算する必要があります）？そうでない場合は、それについても説明できます。
注意点の1つは、PCAとK-meansに入力したものを後で引き出して、さらに分析するためのY変数として使用することはできないということです。
あなたの助けをありがとう、これは私に働くために多くを与えます。注意事項をさらに説明できますか？（9）入力変数と（9）出力変数のセットがあります。現在、私はそれらすべてをK-meansクラスターに投入しています。K平均法を使用してクラスターを特定すると、治療回数が3から2に効果的に減少します。次に、「クラスター変数」ツールを使用して、代表的な入力変数と出力変数を（変数削減の形式として）識別し、それらの代表的な変数を使用してモデルを構築します。データクラスターごとに個別のモデルを構築します。それを簡略化して、1つの入力と1つの出力があると言った場合、両方を使用してクラスターを識別し、各クラスター内の入力と出力を回帰しましたが、データを不適切に使用しているのでしょうか？
私はあなたがやっていることとあなたの究極の目標に少し迷っています。それを念頭に置いて、ここで考慮すべきいくつかの事柄があります。
9つの入力（X）と9つの出力（Y）があるとします。また、治療のために何かを変更しています-これは18の変数の1つですか？究極のモデルが何を表すのか分かりません-Xs対Ys、または18変数対処理のような何か？
K平均法などのクラスタリング手法を確実に使用してデータをセグメント化し（どの行が一緒になるか）、データの各サブセットからモデルを構築できます。行を分割する以外の目的でセグメント化している場合、通常、実際のモデルではクラスタリングの結果を使用しません。各セグメントで個別にさらに次元削減を行うことができます。つまり、データの各セグメントを個別に処理することにしました。
変数クラスタリングを使用してモデルの主要な変数を特定することは関連していますが、K平均法と比較してクラスタリングする方法が異なります。したがって、2つの異なるクラスタリング方法を実行していて、それらをどのように組み合わせて使用したかは明確ではありません。将来のY変数で変数クラスタリングを使用することはほとんどありません。モデル化するまで、分析の対象外にする必要があります。同様に、18の変数すべて（XとY）でK平均を行う場合、これに基づいてデータを2に分割し、各セクションでモデルを実行します。X間の関係を許可するため、結果にバイアスをかけていることに気づくだけです。別のモデルを作成する前に考慮すべきY。Xではクラスター化します。Yではなくモデルで使用する場合。
全体として、変数のグループに対して次元削減手法を使用する場合、これらを別のモデルでXとして使用する場合、将来のY変数をそこに配置しません。モデルを実行するポイントは、いくつかのXに対象のY変数で何が起こっているかを説明させることです。PCAまたはこれらのXとYを一緒にクラスター化する場合は、そもそもなぜモデルを作成するのかを混乱させることになります。
目標に応じて、他にもいくつかのアイデアがあります。
XのYで変数を選択する方法があります。パーティションを使用するか、Bootstrap Forestなどの別のツリーメソッドを使用します。これにより、Yに関して最高ランクの変数が得られ、影響の少ない小さいXを無視できます。次に、これらのXを取得して、Fit Modelでモデルを作成します。
また、すべての体の曲率のように、一部の変数で次元削減を行うこともできます。PCAを実行し、モデルの一番上のPCAコンポーネントを使用します（たとえば、9つの曲率測定は3つのPCAコンポーネントで説明できます）。次に、PCAコンポーネントをモデルのXとして使用します。ここでも、将来のYをPCAに含めないでください。これは、線形モデリングの仮定である、PCAが直交しているのは良い理由です。
JMP Proを使用している場合は、GenRegでLASSOを使用して、変数削減とモデルの適合の両方を同時に実行できます。このモデルがどれほど複雑になるかには限界があります。最初にツリーメソッドを使用して、変数の数を減らすことができます。
また、行動データがあると言ったので、GenRegを使用してモデルを近似することを検討することもできます。これは、小さなデータセット用のリサンプリングメソッドがいくつかあるためです。
9Xと9Yを検討している場合は、PLSが必要になることがあります。
最後に、おそらくあなたがやろうとしていることは、実際には識別分析です。18の変数すべてを使用した処理を説明するモデルを構築しようとしている場合、Discriminate Analysisは変数の削減を伴うカテゴリー回帰であり、これに非常に適しています。2つまたは3つの処理でDAを実行し、近似を比較して、2つまたは3つのグループがあるかどうかを判断できます。
がある JMPトピックのマスト上記のすべてのアイテムについて。
これを見ましたか多変量解析のビデオ ？もありますジャーナルそれはビデオで行く。
