氨基酸数据的聚类-如何选择合适的方法巧合的是，我在社交媒体上发现了一个 jmp 公开帖子的链接，从专业角度来看，它确实引起了我的兴趣。幸运的是，数据集（包括脚本）可以作为 jmp 文件下载（另请参阅此帖子的附件）。该数据集包含蛋白质补充剂中一组氨基酸的浓度，但只有 16 行。出于好奇，我添加了我感兴趣的材料的氨基酸数据，并使用所有可用方法（Ward、平均值、质心等）重复了聚类分析。由于对这个主题相对陌生，我很惊讶地发现结果高度依赖于所使用的聚类方法。在某些情况下，结果是我想要看到的，但在大多数情况下并非如此。
我想知道如何确定给定数据集的最佳聚类方法。是否需要保留部分数据集进行验证，以检查特定方法的效果如何？
另外，17 行数据对于有意义的分析来说太少，这样说公平吗？对于适合这种分析的合理数据量，应该设在哪里限制呢？
消费者和市场研究回复：氨基酸数据的聚类——如何选择合适的方法谢谢 - 一如既往地非常清楚马克！ 我现在可以调整我的期望，并希望我们的营销团队也能这样做。回复：氨基酸数据的聚类——如何选择合适的方法谢谢，这就是我想要实现的目标，根据氨基酸组成可视化不同类型蛋白质之间的相似性。 （老实说，我只是跟随一位 jmp 统计学家的原始帖子。 他可能更擅长描述目标是什么——即查看我原来帖子中的链接。）
令我惊讶的是，每种距离测量或方法都以截然不同的方式对蛋白质进行聚类。 为了让我自己放心，我使用了一个集群教程该数据集针对 3 种小麦籽粒. 由于这是一个教程，我希望结果与数据集中的谷物标签一致，但这只是一厢情愿的想法。 Warden的方法好像还可以，但我凭什么说这是最合适的方法呢？ 也许是？ 我不确定。
我也通过PCA进行了探索，结果或多或少与仅一种聚类方法一致。
回复：氨基酸数据的聚类——如何选择合适的方法首先，聚类是一种无监督的学习方法。 簇是未知的。 聚类是在数据中发现的或通过该方法提出的。 所以严格来说，聚类并不是一种分类工具。 我希望你的期望是现实的，仅此而已。
其次，JMP 为聚类方法提供了如此多的选择反映了一个事实，即它们都不是优越的. 如果一种方法总能提供最好的结果，则统计学家会将其称为“优越”方法。 但最好的结果是什么？ 最好的结果会产生彼此不同的同质簇。 同类集群具有彼此接近的成员。 不同的集群彼此不靠近。 许多方法因距离或相似性的度量而不同。
聚类方法之间的另一个区别与将观察值聚集成簇有关。
数据的特征也可以决定不同方法的性能。
所以你可能想重新访问方法说明看看其中一个是否能说明您的相似性或您根据对数据的了解来汇总观察结果的方式。
另一种方法是经验性的：尝试所有方法并选择您认为产生最佳结果的方法。
回复：氨基酸数据的聚类——如何选择合适的方法你好，
看起来没有人想刺探你的问题，所以让我分享一下我的拙见。
首先，了解此分析的目标会很有用：您是要可视化数据和/或识别数据中的固有结构，还是其他？
其次，我认为您可能对聚类算法期望过高。 在我看来，基本聚类主要是一种根据项目的相似性对项目进行分组的可视化方法；不同的方法提供了不同的方法来评估和显示相似性。 因此，根据不同的方法，树状图的不同“外观”。
第三，如果您有兴趣根据氨基酸组成为您的补充剂确定分类器，您可能想要探索判别式或主成分平台。
值得注意的是，我不认为数据集的大小会影响聚类本身的质量：您添加的数据越多，您将获得越复杂的“分支”。 至少，您需要 3 个项目来运行聚类分析：它可能无法提供深入的洞察力，但从技术上讲，这就是您所需要的。
最好的，
TS
