Regroupement de données sur les acides aminés : comment choisir une méthode appropriéePar coïncidence, j'ai trouvé ce lien vers un article public jmp sur les réseaux sociaux, et cela m'a vraiment intrigué d'un point de vue professionnel. Heureusement, l'ensemble de données, y compris les scripts, était disponible en téléchargement sous forme de fichier jmp (voir également la pièce jointe à cet article). L'ensemble de données contient les concentrations d'un ensemble d'acides aminés dans des compléments protéiques, mais ne comporte que 16 lignes. Par curiosité, j'ai ajouté des données sur les acides aminés d'un matériau qui m'intéresse et j'ai répété l'analyse de clustering en utilisant toutes les méthodes disponibles (Ward, moyenne, centroïde,...). Étant relativement nouveau sur ce sujet, j'ai été surpris de voir que les résultats dépendaient fortement de la méthode de clustering utilisée. Dans certains cas, le résultat était celui que je voulais voir, dans la plupart, ce n'était pas le cas.
Je me demande comment déterminer la meilleure méthode de clustering pour un ensemble de données donné. S'agit-il de conserver une partie de l'ensemble de données à des fins de validation pour vérifier le bon fonctionnement d'une méthode spécifique ?
En outre, peut-on dire que 17 lignes de données sont insuffisantes pour une analyse significative ? Où fixerait-on la limite par rapport à une quantité raisonnable de données se prêtant à ce type d'analyse ?
Études de marché et de consommationRe: Regroupement des données d'acides aminés - comment choisir une méthode appropriéeMerci - comme toujours très clarifiant Mark ! Je peux maintenant calibrer mes attentes et j'espère que notre équipe marketing pourra faire de même.Re: Regroupement des données d'acides aminés - comment choisir une méthode appropriéeMerci, c'est ce que je voulais réaliser, visualiser les similitudes entre les différents types de protéines en fonction de leur composition en acides aminés. (Et pour être honnête, je viens de suivre l'exemple de la publication originale d'un statisticien jmp. Il est probablement meilleur pour décrire quel est l'objectif - c'est-à-dire voir le lien dans mon message d'origine.)
Je suis simplement surpris que chaque mesure ou méthode distante regroupe les protéines de manière sensiblement différente. Pour ma propre assurance, j'ai travaillé sur un tutoriel de clustering en utilisant cet ensemble de données pour 3 types de grains de blé . Comme il s'agissait d'un didacticiel, je m'attendais à des résultats cohérents avec les étiquettes de grain dans l'ensemble de données, mais ce n'était qu'un vœu pieux. La méthode Warden semblait bien fonctionner, mais qui suis-je pour dire que c'est la méthode la plus appropriée ? Peut etre c'est? Je suis incertain.
J'ai également exploré par PCA, et les résultats sont plus ou moins cohérents avec une seule méthode de clustering.
Re: Regroupement des données d'acides aminés - comment choisir une méthode appropriéeTout d'abord, le clustering est une méthode d'apprentissage non supervisée. Les grappes sont inconnues. Les clusters sont découverts dans les données ou proposés via la méthode. Donc à proprement parler, le clustering n'est pas un outil de classification. J'espère que vos attentes sont réalistes, c'est tout.
Deuxièmement, JMP offre tant de choix pour la méthode de clustering reflète le fait qu'aucun d'entre eux n'est supérieur . Un statisticien qualifie une méthode de « supérieure » si elle fournit toujours le meilleur résultat. Mais quel est le meilleur résultat ? Le meilleur résultat produit des clusters homogènes et distincts les uns des autres. Les clusters homogènes ont des membres proches les uns des autres. Les clusters distincts ne sont pas proches les uns des autres. De nombreuses méthodes diffèrent par leur mesure de distance ou de similarité.
L'autre différence entre les méthodes de regroupement a à voir avec l'agglomération des observations en grappes.
Les caractéristiques des données peuvent également déterminer les performances des différentes méthodes.
Donc, vous voudrez peut-être revoir le descriptions des méthodes pour voir si l'un d'entre eux correspond à votre sentiment de similitude ou à la façon dont vous regrouperiez les observations en fonction de votre connaissance des données.
L'autre méthode est empirique : essayez-les toutes et sélectionnez celle qui produit le meilleur résultat selon vous.
Re: Regroupement des données d'acides aminés - comment choisir une méthode appropriéeSalut,
Il semble que personne ne veuille répondre à votre question, alors laissez-moi partager mon humble opinion.
Tout d'abord, il serait utile de comprendre votre objectif pour cette analyse : voulez-vous visualiser les données et/ou identifier la structure inhérente aux données, ou autre chose ?
Deuxièmement, je pense que vous attendez peut-être trop des algorithmes de clustering. Dans mon esprit, le regroupement de base est principalement une méthode de visualisation permettant de regrouper des éléments en fonction de leurs similitudes ; différentes méthodes offrent différentes façons d'évaluer et d'afficher les similitudes. D'où le "look" différent des dendrogrammes selon les différentes méthodes.
Troisièmement, si vous souhaitez identifier un classificateur pour vos suppléments en fonction de la composition en acides aminés, vous pouvez explorer les plateformes Discriminant ou Principal Component.
Il convient de noter que je ne pense pas que la taille de l'ensemble de données affecte la qualité du clustering en soi : plus vous ajoutez de données, plus vous obtiendrez de "ramifications" complexes. Au minimum, vous avez besoin de 3 éléments pour exécuter une analyse de clustering : cela peut ne pas fournir d'informations approfondies, mais techniquement, c'est tout ce dont vous avez besoin.
Meilleur,
TS
