胺基酸資料聚類 - 如何選擇合適的方法巧合的是，我在社交媒體上發現了 jmp 公開帖子的鏈接，從專業的角度來看，它確實引起了我的興趣。幸運的是，資料集（包括腳本）可以作為 jmp 檔案下載（另請參閱本文的附件）。此資料集包含蛋白質補充劑中一組胺基酸的濃度，但只有 16 行。出於好奇，我添加了我感興趣的材料的氨基酸數據，並使用所有可用的方法（沃德、平均值、質心…）重複聚類分析。由於對這個主題相對較新，我驚訝地發現結果高度依賴所使用的聚類方法。在某些情況下，結果是我想看到的，但在大多數情況下卻不是。
我想知道如何確定給定資料集的最佳聚類方法。是否需要保留部分資料集進行驗證，以檢查特定方法的效果如何？
另外，可以公平地說 17 行資料對於進行有意義的分析來說太少了嗎？對於適合此類分析的合理資料量，在哪裡設定限制？
消費者與市場研究回复：氨基酸數據的聚類——如何選擇合適的方法謝謝 - 一如既往地非常清楚馬克！ 我現在可以調整我的期望，並希望我們的營銷團隊也能這樣做。回复：氨基酸數據的聚類——如何選擇合適的方法謝謝，這就是我想要實現的目標，根據氨基酸組成可視化不同類型蛋白質之間的相似性。 （老實說，我只是跟隨一位 jmp 統計學家的原始帖子。 他可能更擅長描述目標是什麼——即查看我原來帖子中的鏈接。）
令我驚訝的是，每種距離測量或方法都以截然不同的方式對蛋白質進行聚類。 為了讓我自己放心，我使用了一個集群教程該數據集針對 3 種小麥籽粒. 由於這是一個教程，我希望結果與數據集中的穀物標籤一致，但這只是一廂情願的想法。 Warden的方法好像還可以，但我憑什麼說這是最合適的方法呢？ 也許是？ 我不確定。
我也通過PCA進行了探索，結果或多或少與僅一種聚類方法一致。
回复：氨基酸數據的聚類——如何選擇合適的方法首先，聚類是一種無監督的學習方法。 簇是未知的。 聚類是在數據中發現的或通過該方法提出的。 所以嚴格來說，聚類並不是一種分類工具。 我希望你的期望是現實的，僅此而已。
其次，JMP 為聚類方法提供瞭如此多的選擇反映了一個事實，即它們都不是優越的. 如果一種方法總能提供最好的結果，則統計學家會將其稱為“優越”方法。 但最好的結果是什麼？ 最好的結果會產生彼此不同的同質簇。 同類集群具有彼此接近的成員。 不同的集群彼此不靠近。 許多方法因距離或相似性的度量而不同。
聚類方法之間的另一個區別與將觀察值聚集成簇有關。
數據的特徵也可以決定不同方法的性能。
所以你可能想重新訪問方法說明看看其中一個是否能說明您的相似性或您根據對數據的了解來匯總觀察結果的方式。
另一種方法是經驗性的：嘗試所有方法並選擇您認為產生最佳結果的方法。
回复：氨基酸數據的聚類——如何選擇合適的方法你好，
看起來沒有人想刺探你的問題，所以讓我分享一下我的拙見。
首先，了解此分析的目標將很有用：您是要可視化數據和/或識別數據中的固有結構，還是其他？
其次，我認為您可能對聚類算法期望過高。 在我看來，基本聚類主要是一種根據項目的相似性對項目進行分組的可視化方法；不同的方法提供了不同的方法來評估和顯示相似性。 因此，根據不同的方法，樹狀圖的不同“外觀”。
第三，如果您有興趣根據氨基酸組成為您的補充劑確定分類器，您可能想要探索判別式或主成分平台。
值得注意的是，我不認為數據集的大小會影響聚類本身的質量：您添加的數據越多，您將獲得越複雜的“分支”。 至少，您需要 3 個項目來運行聚類分析：它可能無法提供深入的洞察力，但從技術上講，這就是您所需要的。
最好的，
TS
