Schätzung der wichtigsten Merkmale für jeden k-Means-ClusterHallo,
Ich verwende kmeans Cluster, um Daten zu gruppieren. Jetzt möchte ich für jeden Datencluster herausfinden, welche Funktion große Auswirkungen hat. Ich frage mich, ob JMP Pro K-Means eine Schätzung der wichtigsten Merkmale für jeden K-Means-Cluster bereitstellt. Kann jemand einen Vorschlag machen, wie ich es berechnen kann, wenn es nicht verfügbar ist? Ich dachte, vielleicht kann die Entfernung zur Schätzung herangezogen werden. Aber irgendetwas?
Prädiktive Modellierung und maschinelles LernenWindowsBetreff: Schätzung der wichtigsten Merkmale für jeden K-Means-ClusterHallo @dadawasozo ,
Ich denke über zwei Möglichkeiten nach, das mit K-means durchgeführte Clustering zu erklären:
- Sie können die Clusterformel als Antwort verwenden und versuchen, diese Clusterantwort basierend auf Ihren Eingaben zu modellieren. Eine flexible und effiziente Plattform hierfür könnte Bootstrap Forest (JMP Pro) oder Predictor Screening (JMP) sein. Anschließend können Sie die Beiträge Ihrer Faktoren zum Clustering vergleichen.
- Sie können dies auch „statistisch“ betrachten: Je wichtiger ein Faktor für die Clusterbildung ist, desto weiter sind die Punkte auf dieser Faktorachse getrennt (es ist einfacher, Cluster zu erstellen, wenn Sie Punkte anhand eines oder dieser Faktoren trennen/unterscheiden können). mehrere Faktoren). Sie können also die Plattform „Fit Y by .
Abhängig von der angemessenen Verwendung des statistischen Tests und der Überprüfung der Annahmen (Normalität, Varianzgleichheit, Unabhängigkeit, keine Ausreißer usw.) erhalten Sie möglicherweise ein ähnliches Ergebnis wie bei Option 1.
Als Beispiel:
Für den sehr bekannten und öffentlichen Datensatz „Iris“ habe ich das K-Means-Clustering anhand der Faktoren Kelchblattlänge, Kelchblattbreite, Blütenblattlänge und Blütenblattbreite durchgeführt. Ich konnte drei Cluster finden, die gut mit den drei gefundenen Arten übereinstimmen. Ich speichere die Clusterformel.
- Wenn ich die Predictor-Screening-Plattform verwende und die Clusterformel als Y, die Antwort und die Faktoren als X eingebe, kann ich mir den Unterschied in den Beiträgen meiner Faktoren zum Clustering ansehen:
- Wenn ich die Plattform „Fit Y by Mit einem Diagramm, das das F-Verhältnis in Abhängigkeit von den Faktoren zeigt, kann ich ähnliche Ergebnisse finden:
Es gibt einen Unterschied zwischen den beiden Plattformen und einen Austausch zwischen den beiden größten Faktoren, die zur Clusterbildung beitragen, da sowohl die Blütenblattlänge als auch die Blütenblattbreite zwei nichtnormale Verteilungen aufweisen. Daher wäre der Welch-Test hier nicht die geeignetste Option, aber ein Steel-Dwass-All-Pair-Test wäre wahrscheinlich besser.
Bei diesem Datensatz wäre das Predictor-Screening eine sicherere Option, da es robust gegenüber Ausreißern ist und keine Annahmen über die Datenverteilungen erfordert (die Plattform verwendet ein Random-Forest-Modell).
Ich habe die Iris-Datentabelle beigefügt, damit Sie sich die verschiedenen Analysen ansehen und die von mir durchgeführten Tests reproduzieren können.
Der letzte zu berücksichtigende Aspekt (auch wenn er außerhalb des Rahmens Ihrer Frage liegt) besteht darin, sicherzustellen, dass der K-Means-Ansatz für Ihren Datensatz geeignet ist, da er auf zwei Annahmen basiert:
- Cluster sind sphärisch (alle Variablen haben die gleiche Varianz),
- Cluster haben eine ähnliche Größe (ungefähr gleich viele Beobachtungen in jedem Cluster).
Andere Clustering-Ansätze sind möglicherweise flexibler, wenn diese Annahmen nicht erfüllt sind (z. B. Gaußsche/Normalmischungen), oder abhängig von Ihrem Clustering-Kontext „geeigneter“: Clustering basierend auf der Punktdichte, basierend auf angenommenen zugrunde liegenden Verteilungen, auf hierarchischen Beziehungen zwischen Punkten , ...
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Schätzung der wichtigsten Merkmale für jeden K-Means-ClusterHallo Victor,
Ist es möglich, die wichtigsten Funktionen für jeden Cluster separat abzurufen? K bedeutet, dass es hilft, Daten in wenige Gruppen zu gruppieren. Ich möchte die wirkungsvollsten Funktionen für jeden Cluster verstehen, um zu verstehen, was sie zu unterschiedlichen Clustern macht.
Betreff: Schätzung der wichtigsten Merkmale für jeden K-Means-ClusterHallo @dadawasozo ,
Wenn ich Ihr Ziel besser verstehe, möchten Sie die Ungleichheiten und Unterschiede zwischen Clustern anhand der Werte der Merkmale besser beurteilen?
Wenn ja, können Sie sich die Optionen „Parallel Coordinate Plot“, „Scatterplot Matrix“ und die verschiedenen Diagramme „Biplot“ ansehen, die im roten Dreieck neben „KMeans NCluster = (X)“ verfügbar sind, da sie zusammen mit den zusammenfassenden Statistiken bereitgestellt werden „Cluster-Mittelwerte“, interessante Visualisierungen, wie sich die verschiedenen Cluster basierend auf den Mittelwerten der Merkmale unterscheiden.
Beispiel für ein paralleles Koordinatendiagramm im Iris-Datensatz (Sie können es mit dem Graph Builder reproduzieren, um es anzupassen und Wertelegenden hinzuzufügen):
Beispiel einer Streudiagrammmatrix für einen Iris-Datensatz:
Beispiel Biplot 2D (mit Hauptkomponenten) für den Iris-Datensatz:
Ich hoffe, dass ich Ihr Ziel besser verstehe und dass diese Antwort Ihnen helfen kann.
