Estimación de las características más importantes de cada grupo de k-mediasHola,
Utilizo el clúster kmeans para agrupar datos. Ahora quiero saber qué característica tiene un mayor impacto para cada grupo de datos. Me pregunto si JMP pro K-mean proporciona una estimación de las características más importantes de cada grupo de k-means. ¿Alguien puede darme una sugerencia sobre cómo puedo calcularlo si no está disponible? Estaba pensando que tal vez la distancia pueda usarse para realizar una estimación. ¿Algo así?
Modelado predictivo y aprendizaje automáticoventanasRe: Estimar las características más importantes de cada grupo de k-mediasHola @dadawasozo ,
Pienso en dos formas posibles de explicar la agrupación realizada con K-medias:
- Puede utilizar la fórmula del grupo como respuesta e intentar modelar esta respuesta del grupo en función de sus entradas. Una plataforma flexible y eficiente para hacer esto puede ser Bootstrap Forest (JMP Pro) o Predictor Screening (JMP). Luego puede comparar las contribuciones de sus factores a la agrupación.
- También puedes pensar en esto de una manera "estadística": cuanto más importancia tiene un factor en la agrupación, más separados están los puntos en este eje de factores (es más fácil crear agrupaciones si puedes separar/discriminar puntos en función de uno o varios factores). Por lo tanto, puede usar la plataforma "Fit Y by X", usar los grupos como su X y sus factores como las Y, y comparar las proporciones F de los distintos ajustes usando una prueba paramétrica (prueba t, Welch, ...) .
Dependiendo del uso adecuado del test estadístico y la verificación de supuestos (normalidad, igualdad de varianzas, independencia, no valores atípicos,...), es posible que se encuentre con un resultado similar al de la opción 1.
Como ejemplo:
En el muy famoso y público conjunto de datos "Iris", hice la agrupación de K-medias en los factores Longitud del sépalo, ancho del sépalo, longitud del pétalo y ancho del pétalo. Puedo encontrar tres grupos que coinciden estrechamente con las tres especies encontradas. Guardo la fórmula del grupo.
- Cuando uso la plataforma de detección Predictor, ingresando la fórmula del grupo como Y, respuesta y los factores como X, puedo ver la diferencia en las contribuciones de mis factores en el grupo:
- Cuando uso la plataforma "Ajustar Y por X", ingresando la fórmula del grupo como X y los factores como Y, hago una prueba de Welch y creo una tabla de datos combinada con todas las proporciones F. Con un gráfico que muestra la relación F según los factores, puedo encontrar resultados similares:
Hay una diferencia entre las dos plataformas y un intercambio entre los dos factores que más contribuyen a la agrupación, porque la longitud y el ancho de los pétalos tienen dos distribuciones no normales. Por lo tanto, la prueba de Welch no sería la opción más apropiada en este caso, pero una prueba de todos los pares Steel-Dwass probablemente sería mejor.
En este conjunto de datos, la selección de Predictor sería una opción más segura, ya que es sólida contra valores atípicos y no requiere suposiciones sobre las distribuciones de datos (la plataforma utiliza un modelo de bosque aleatorio).
Adjunto la tabla de datos de Iris para que puedas ver los distintos análisis y reproducir las pruebas que he realizado.
El último aspecto a tener en cuenta (incluso si está fuera del alcance de su pregunta) es asegurarse de que el enfoque K-Means sea adecuado para su conjunto de datos, ya que se basa en dos suposiciones:
- Los grupos son esféricos (todas las variables tienen la misma varianza),
- Los conglomerados tienen un tamaño similar (aproximadamente el mismo número de observaciones en cada conglomerado).
Otros enfoques de agrupación pueden ser más flexibles si no se cumplen estos supuestos (mezclas gaussianas/normales, por ejemplo), o más "apropiados" dependiendo de su contexto de agrupación: agrupación basada en la densidad de puntos, basada en distribuciones subyacentes supuestas, en relaciones jerárquicas entre puntos. , ...
Espero que esta respuesta te ayude,
Re: Estimar las características más importantes de cada grupo de k-mediasHola Víctor,
¿Es posible obtener las características más importantes de cada grupo por separado? K significa ayuda a agrupar datos en pocos grupos. Quiero comprender las características más impactantes de cada grupo para comprender qué los diferencia.
Re: Estimar las características más importantes de cada grupo de k-mediasHola @dadawasozo ,
Si entiendo mejor su objetivo, ¿le gustaría evaluar mejor las disparidades y diferencias entre los grupos en función de los valores de las características?
En caso afirmativo, puede consultar las opciones "Gráfico de coordenadas paralelas", "Matriz de diagrama de dispersión" y los diversos gráficos "Biplot" disponibles en el triángulo rojo al lado de "KMeans NCluster = (X)", tal como proporcionan, con el resumen estadístico. "Medios de conglomerados", visualizaciones interesantes sobre cómo los distintos conglomerados difieren en función de los valores medios de las características.
Ejemplo de gráfico de coordenadas paralelas en el conjunto de datos Iris (puede reproducirlo con Graph Builder para personalizarlo y agregar leyendas de valores):
Ejemplo de matriz de diagrama de dispersión en el conjunto de datos Iris:
Ejemplo de Biplot 2D (con componentes principales) en el conjunto de datos Iris:
Espero entender mejor tu objetivo y que esta respuesta te pueda ayudar.
