아미노산 데이터 클러스터링 - 적절한 방법을 선택하는 방법우연히 소셜 미디어에서 jmp 공개 게시물에 대한 이 링크를 찾았고, 전문적인 관점에서 정말 흥미로웠습니다. 다행히 스크립트를 포함한 데이터 집합은 jmp 파일로 다운로드할 수 있었습니다(이 게시물의 첨부 파일도 참조하세요). 데이터 집합에는 단백질 보충제의 아미노산 세트에 대한 농도가 포함되어 있지만 행이 16개뿐입니다. 호기심에 관심 있는 재료에 대한 아미노산 데이터를 추가하고 사용 가능한 모든 방법(Ward, average, centroid,...)을 사용하여 클러스터 분석을 반복했습니다. 이 주제에 비교적 생소했기 때문에 결과가 사용된 클러스터링 방법에 크게 의존한다는 사실에 놀랐습니다. 어떤 경우에는 결과가 내가 보고 싶었던 것이었지만 대부분은 그렇지 않았습니다.
주어진 데이터 집합에 대한 최상의 클러스터링 방법을 결정하는 방법이 궁금합니다. 특정 방법이 얼마나 잘 작동하는지 확인하기 위해 데이터 집합의 일부를 유지 관리하는 것이 문제입니까?
또한, 17행의 데이터가 의미 있는 분석에 너무 적다고 말하는 것이 공평할까요? 이런 유형의 분석에 적합한 합리적인 양의 데이터에 대한 한계를 어디에 정해야 할까요?
소비자 및 시장 조사Re: 아미노산 데이터의 클러스터링 - 적절한 방법을 선택하는 방법감사합니다 - 항상 매우 명확하게 Mark! 이제 내 기대치를 조정할 수 있고 우리 마케팅 팀도 똑같이 할 수 있기를 바랍니다.Re: 아미노산 데이터의 클러스터링 - 적절한 방법을 선택하는 방법감사합니다. 아미노산 구성을 기반으로 다양한 유형의 단백질 간의 유사성을 시각화하기 위해 제가 달성하고 싶었던 것입니다. (솔직히 말해서 jmp 통계학자의 원래 게시물을 따라갔습니다. 그는 아마도 목표가 무엇인지 설명하는 데 더 능숙할 것입니다. 즉, 내 원본 게시물의 링크를 참조하십시오.)
나는 각각의 원격 측정 또는 방법이 실질적으로 다른 방식으로 단백질을 클러스터링한다는 사실에 놀랐습니다. 안심할 수 있도록 다음을 사용하여 클러스터링 자습서를 진행했습니다. 3가지 유형의 밀 곡물에 대한 이 데이터 세트 . 튜토리얼이었기 때문에 데이터 세트의 그레인 레이블과 일치하는 결과를 기대했지만 그것은 단지 희망사항이었습니다. Warden 방법은 괜찮은 것 같았지만 이것이 가장 적합한 방법이라고 말할 수 있습니까? 아마도 그럴까요? 나는 불확실하다.
PCA에서도 탐색했으며 결과는 단 하나의 클러스터링 방법과 거의 일치합니다.
Re: 아미노산 데이터의 클러스터링 - 적절한 방법을 선택하는 방법먼저 클러스터링은 비지도 학습 방법입니다. 클러스터를 알 수 없습니다. 클러스터는 데이터에서 발견되거나 방법을 통해 제안됩니다. 엄밀히 말하면 클러스터링은 분류 도구가 아닙니다. 당신의 기대가 현실적이기를 바랍니다. 그게 전부입니다.
둘째, JMP는 군집화 방법에 대해 너무 많은 선택을 제공합니다. 우수한 . 통계학자는 방법이 항상 최상의 결과를 제공하는 경우 방법을 '우수'라고 합니다. 그러나 최상의 결과는 무엇입니까? 최상의 결과는 서로 구별되는 균일한 클러스터를 생성합니다. 동종 클러스터에는 서로 가까운 구성원이 있습니다. 별개의 클러스터는 서로 가깝지 않습니다. 많은 방법은 거리 또는 유사성의 척도에 따라 다릅니다.
군집화 방법의 다른 차이점은 관측치를 군집으로 모으는 것과 관련이 있습니다.
데이터의 특징은 또한 다른 방법의 성능을 결정할 수 있습니다.
그래서 당신은 다시 방문하고 싶을 수도 있습니다 방법에 대한 설명 그들 중 하나가 당신의 유사성 또는 데이터에 대한 지식을 기반으로 관찰을 집계하는 방식에 대해 말하는지 확인합니다.
다른 방법은 경험적입니다. 모든 방법을 시도하고 귀하의 의견에 가장 적합한 방법을 선택하십시오.
Re: 아미노산 데이터의 클러스터링 - 적절한 방법을 선택하는 방법안녕,
아무도 귀하의 질문에 찔리고 싶어하지 않는 것 같습니다. 그래서 제 겸손한 의견을 공유하겠습니다.
첫째, 이 분석의 목표를 이해하는 것이 유용할 것입니다. 데이터를 시각화하고 싶거나 데이터의 고유한 구조를 식별하고 싶습니까?
둘째, 클러스터링 알고리즘에 너무 많은 것을 기대하고 있는 것 같습니다. 내 생각에 기본 클러스터링은 주로 항목의 유사성을 기반으로 그룹화하는 시각화 방법입니다. 다른 방법은 유사성을 평가하고 표시하는 다른 방법을 제공합니다. 따라서 다른 방법에 따라 덴드로그램의 "모양"이 달라집니다.
셋째, 아미노산 구성을 기반으로 보충제의 분류자를 식별하는 데 관심이 있는 경우 판별 또는 주성분 플랫폼을 탐색할 수 있습니다.
참고로 저는 데이터 세트의 크기가 클러스터링 자체의 품질에 영향을 미치지 않는다고 생각합니다. 더 많은 데이터를 추가할수록 더 복잡한 "분기"를 얻게 됩니다. 클러스터링 분석을 실행하려면 최소한 3가지 항목이 필요합니다. 깊은 통찰력을 제공하지 못할 수도 있지만 기술적으로는 이것이 필요한 전부입니다.
최상의,
TS
