Je suis très excité d'avoir mon premier livre imprimé, Biostatistiques avec JMP.Une partie du travail d'élaboration du livre consistait à explorer et à expliquer de nombreuses méthodes que j'ai utilisées pour l'analyse avancée. Pour l'exploration de données et la recherche de sens aux données, le clustering m'a été très bénéfique dans mes projets.
Dans JMP , deux approches de clustering sont facilement disponibles : le clustering hiérarchique et les k-moyennes. Le regroupement hiérarchique compare les distances entre chaque point et regroupe les points en fonction de leur similarité (ou dissimilarité). K-means fonctionne différemment et vise à trouver K centroïdes appropriés aux données, mais vous devez spécifier K comme le nombre de regroupements à trouver.
Exemple simple
L'ensemble de données JMP intégré « Birth Death Subset » est un exemple d'ensemble de données qui n'est pas trop volumineux, mais qui montre l'utilisation du clustering. Nous y disposons de deux variables, les taux bruts de natalité et de mortalité, ainsi que des observations pour 33 pays. Cependant, il est difficile de trouver une interprétation significative en se contentant de regarder les données. Si nous représentons les deux variables ensemble, nous constatons que la plupart des pays sont regroupés dans le coin inférieur gauche du graphique, avec une relation généralement négative entre les taux de natalité et de mortalité. Mais la relation sous-jacente n’est pas si forte et un modèle de régression pour ces données n’est pas statistiquement significatif et explique peu de variance. Alors que pouvons-nous faire avec ça ?
Raw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataNuage de points brut de données
Si nous abordons ces données en utilisant le clustering, nous pouvons commencer à voir des interprétations plus significatives. Pour effectuer une analyse groupée sur ces données, nous pouvons suivre le processus trouvé dans le chapitre 11 de mon livre Biostatistiques avec JMP : un guide pratique . En bref, dans JMP 13, vous voudriez sélectionner Analyser ► Clustering ► K Means Cluster .
Vous devez maintenant préciser le nombre de clusters à rechercher. Bien que le nombre de clusters que vous souhaitez rechercher soit subjectif, gardez à l'esprit que trop peu donneront des regroupements grossiers et qu'un trop grand nombre vous laissera dans la même situation que celle dans laquelle vous avez commencé. Pour cette analyse, nous rechercherons trois clusters. Cliquez sur Aller et de nombreux résultats vous seront présentés (que je ne montre pas ici).
Pour analyser rapidement ces résultats, nous pouvons faire plusieurs choses :
- Enregistrez les couleurs associées aux clusters dans la table de données.
- Replacez les données avec les clusters et les couleurs.
Les deux options sont disponibles en cliquant sur le triangle rouge à côté de K Means NCluster = 3. Assurez-vous d'abord d'enregistrer les couleurs pour obtenir les résultats les plus percutants.
Avec les clusters sous forme d'ellipses légèrement ombrées et les points codés par couleur pour chaque cluster, nous pouvons maintenant voir des regroupements intéressants dans les données :
- Le vert clair est associé aux pays qui ont de faibles taux de natalité, mais une grande variabilité des taux de mortalité (d'ailleurs, principalement développé des pays).
- Le bleu clair est associé à de faibles taux de mortalité, mais à une grande variabilité des taux de natalité (d'ailleurs, principalement développement des pays).
- Le rouge est associé à deux pays qui ont des taux de natalité et de mortalité élevés (Afghanistan et Zaïre).
Même si cela n’était pas évident lorsque nous avons ouvert l’ensemble de données pour la première fois, nous disposons désormais d’une histoire convaincante. Grâce à une combinaison de données, d’interprétation et de visualisation, il est désormais possible de raconter facilement cette histoire à un public plus large.
Same data, but with coloring for clusters, which now provides a meaningful interpretation of the dataSame data, but with coloring for clusters, which now provides a meaningful interpretation of the dataSame data, but with coloring for clusters, which now provides a meaningful interpretation of the dataSame data, but with coloring for clusters, which now provides a meaningful interpretation of the dataMêmes données, mais avec une coloration pour les clusters, ce qui fournit désormais une interprétation significative des données
