Hola a todos,
Estoy intentando hacer una comparación entre diferentes poblaciones de un animal según una variedad de características morfológicas. Tengo datos numéricos (como longitud, peso, etc.) y datos binarios. No todos los detalles que tengo tienen todos los datos, es decir, cada característica tiene una cantidad diferente de detalles con información disponible. Estoy tratando de hacer un PCA con los datos para poder dividirlos en poblaciones distintas según las diferencias en mis muchos parámetros. Me encantaría recibir una explicación de cómo puedo obtener un resultado en dos o tres dimensiones que me dé una división conveniente en poblaciones.
gracias de antemano
Hola @yoram_frumkin ,
En primer lugar, bienvenido a la comunidad, este es un gran lugar para compartir ideas con las personas y obtener ayuda con todo lo relacionado con los datos (no necesariamente solo con JMP). Hay muchos expertos aquí.
PCA es una gran herramienta y una de las muchas que debería considerar utilizar para analizar sus datos, lo que significa que a menudo es beneficioso examinar sus datos utilizando diferentes plataformas en JMP. Una desventaja de PCA es que prefiere trabajar con datos numéricos continuos, no puede manejar datos nominales y puede trabajar con datos ordinales, pero se quejará.
De todos modos, para abordar la cuestión de no tener siempre todos los datos en cada atributo para una fila determinada (muestra), una cosa que puede hacer (y lo digo con más que un grano de sal por precaución) es imputar los datos faltantes. Puede hacerlo en Analizar > Detección > Explorar valores perdidos y luego utilizar los diferentes tipos de imputación. Esto a veces puede funcionar bien y otras no tan bien, por lo que advierto su uso o confiar demasiado en él. Puede intentar crear tablas de datos duplicadas donde utilice los diferentes métodos de imputación y ver qué tan bien funcionan y si los resultados tienen sentido. Pero también es una buena idea colorear/resaltar/cambiar marcadores para aquellas filas en las que ha realizado la imputación porque a veces puede ser difícil volver atrás y comprobar dónde están una vez que JMP ha completado los datos.
Hay otras plataformas que deberías considerar y que en realidad podrían funcionar mejor sin necesidad de imputar datos faltantes y aun así obtener lo que buscas. Por ejemplo, podría utilizar agrupamiento jerárquico, agrupamiento de k-medias, K-vecinos más cercanos (JMP Pro), máquinas de vectores de soporte (JMP Pro), partición o mínimos cuadrados parciales (a veces llamado proyección a estructura latente). Todos estos, de una forma u otra, hacen una reducción dimensional esencial para simplificar los datos. Por supuesto, todos los algoritmos son diferentes y es posible que obtenga resultados diferentes, pero a menudo es una buena práctica comparar los resultados entre plataformas para obtener una mejor coherencia y comprensión de la clasificación.
Si tiene JMP Pro, existen otras plataformas como árbol impulsado, bosque de arranque y XGBoost que a menudo son bastante potentes en el modelado de clasificación, que parece ser lo que está intentando hacer. Además, los datos faltantes no afectan mucho a sus algoritmos.
¿Puedes anonimizar la tabla de datos y compartirla (Tablas > Anonimizar)? Esto podría darles a otros la oportunidad de jugar con los datos y brindar comentarios más específicos sobre cómo podría abordar el problema por su cuenta.
¡Espero que esto ayude a la discusión!,
DS
