親愛なるJMPユーザーおよびJMPチームの皆様、こんにちは。
このウィッシュ リスト リクエストのきっかけは何ですか?
クラスタリングのさまざまなアプリケーションと利用可能なさまざまな方法 (K-Means、Gaussian Mixtures、DBSCAN、Hierarchical ...) についてますます学び、JMP で利用可能なプラットフォームとメトリクスに関する議論をいくつか希望しました。
- 主なさまざまなタイプのクラスタリング (重心ベース、分布ベース、階層ベース、密度ベース、クラスタリング アルゴリズム |機械学習 | Google デベロッパー)、JMP は 4 つの主要なクラスタリング タイプのうち 3 つ (それぞれ K-Means、正規混合、および階層的クラスタリング) をカバーできるようですが、密度ベースのクラスタリングはカバーできません。 このトピックは、2021 年以降、すでに JMP ウィッシュ リストにありました。密度ベースのクラスタリング - JMP User Community
- 「評価」メトリクスを見て、最も妥当と思われるクラスターの数を確認すると、プラットフォーム間にいくつかの違いがあります。
- 階層クラスタリングの場合、評価メトリックは距離ベースです。
- K-Means クラスタリング (セントロイド クラスタリング) の場合、評価は、Cubic Clustering Criterion (CCC) による分散ベースです。
- 正規混合 (分布クラスタリング) の場合、評価は AICc と BIC を使用した情報理論に基づいています。
クラスタリング固有のアルゴリズムに基づいて評価が異なる可能性があるのはごく普通のことですが、同じ基準/メトリックでクラスタリング方法を比較できることは素晴らしいことです。 文学でも（ [2212.12189] k-means のエルボー基準の使用を停止し、代わりにクラスター数を選択する方法 (arxiv.org) )、分散基準または BIC 基準は、K-Means の異なる数のクラスターを比較するための好ましいオプションのようです。
あなたが見たいと思う改善は何ですか？
- DBSCAN や HDBSCAN などの密度ベースのクラスタリング手法の実装。
- どの方法が最も合理的な選択であると思われるかをより適切に評価するために、さまざまなクラスタリング方法 (AICc や BIC など) に共通の評価メトリックを実装します。 特定のクラスタリング方法の選択は、ドメインの専門知識および/または好みによって導かれる場合がありますが、この選択を快適にするか、それに挑戦するための「中立的な」メトリックを持つことは素晴らしいことです.
- クラスタリング モデルごとに、分散 (CCC、VRC、...)、距離 (Dunn、Silhouette スコア、...)、および情報理論 (AICc、BIC、...) に基づく他のクラスタリング メトリックの実装。
なぜこの考えが重要なのですか？
JMP で提供されているクラスタリング アルゴリズムは、予想されるケースの大部分を表していますが、密度ベースのクラスタリングは実際には欠けており、さまざまな状況で見られます。
異なるクラスタリング手法を比較するための共通のメトリックがない場合、「正しい」方法を選択すること、または特定の方法の選択に十分な自信を持つことが難しい場合があります。
最後に、さまざまなデータ構造に基づいたさまざまなクラスタリングのため、クラスター数に関する「ロバスト性」の決定を評価するのに役立つ方法ごとに、さまざまな評価メトリックを用意することが重要です。
