Ich freue mich sehr, mein erstes Buch im Druck zu haben, Biostatistik mit JMP.Ein Teil der Arbeit bei der Entwicklung des Buches bestand darin, viele Methoden zu erforschen und zu erklären, die ich für fortgeschrittene Analysen verwendet habe. Für das Data Mining und die Bedeutungsfindung in Daten hat sich Clustering in meinen Projekten als sehr nützlich erwiesen.
In JMP stehen zwei Clustering-Ansätze zur Verfügung: hierarchisches Clustering und k-Means. Beim hierarchischen Clustering werden die Abstände zwischen den einzelnen Punkten verglichen und Punkte basierend auf ihrer Ähnlichkeit (oder Unähnlichkeit) gruppiert. K-means funktioniert anders und zielt darauf ab, etwas zu finden K Schwerpunkte, die für die Daten geeignet sind, müssen jedoch angegeben werden K als Anzahl der zu findenden Gruppierungen.
Einfaches Beispiel
Der integrierte JMP-Datensatz „Birth Death Subset“ ist ein Beispiel für einen Datensatz, der nicht zu groß ist, aber die Verwendung von Clustering zeigt. Dort haben wir zwei Variablen, die rohen Geburten- und Sterberaten, und Beobachtungen für 33 Länder. Allerdings ist es schwierig, allein anhand der Daten eine sinnvolle Interpretation zu finden. Wenn wir die beiden Variablen zusammen darstellen, sehen wir, dass die meisten Länder unten links in der Darstellung gruppiert sind und ein allgemein negativer Zusammenhang zwischen Geburten- und Sterberaten besteht. Der zugrunde liegende Zusammenhang ist jedoch nicht so stark, und ein Regressionsmodell für diese Daten ist statistisch nicht signifikant und erklärt nur wenig Varianz. Was können wir also damit machen?
Raw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataRohes Streudiagramm der Daten
Wenn wir diese Daten mithilfe von Clustering angehen, können wir beginnen, aussagekräftigere Interpretationen zu erkennen. Um eine Clusteranalyse dieser Daten durchzuführen, können wir dem in Kapitel 11 meines Buches beschriebenen Prozess folgen Biostatistik mit JMP: Ein praktischer Leitfaden . Kurz gesagt, in JMP 13 möchten Sie auswählen Analysieren ► Clustering ► K bedeutet Cluster .
Jetzt müssen Sie die Anzahl der zu findenden Cluster angeben. Es ist zwar subjektiv, nach wie vielen Clustern Sie suchen möchten, aber bedenken Sie, dass zu wenige zu groben Gruppierungen führen und zu viele Sie in der gleichen Situation zurücklassen, in der Sie begonnen haben. Für diese Analyse suchen wir nach drei Clustern. Klicken Gehen und Ihnen werden viele Ergebnisse präsentiert (die ich hier nicht zeige).
Um diese Ergebnisse schnell zu analysieren, können wir einige Dinge tun:
- Speichern Sie die den Clustern zugeordneten Farben in der Datentabelle.
- Stellen Sie die Daten sowohl mit den Clustern als auch mit den Farben erneut dar.
Beide Optionen sind verfügbar, indem Sie auf das rote Dreieck neben „K Means NCluster = 3“ klicken. Stellen Sie sicher, dass Sie die Farben zuerst speichern, um die wirkungsvollsten Ergebnisse zu erzielen.
Da die Cluster als leicht schattierte Ellipsen dargestellt sind und die Punkte für jeden Cluster farblich gekennzeichnet sind, können wir nun einige interessante Gruppierungen in den Daten erkennen:
- Hellgrün steht für Länder mit niedrigen Geburtenraten, aber großen Schwankungen bei den Sterberaten (übrigens meistens). entwickelt Länder).
- Hellblau wird mit niedrigen Sterberaten, aber großen Schwankungen bei den Geburtenraten (übrigens meistens) in Verbindung gebracht Entwicklung Länder).
- Rot wird mit zwei Ländern in Verbindung gebracht, die hohe Geburten- und Sterberaten aufweisen (Afghanistan und Zaire).
Obwohl dies nicht offensichtlich war, als wir den Datensatz zum ersten Mal öffneten, haben wir jetzt eine überzeugende Geschichte. Mit einer Kombination aus Daten, Interpretation und Visualisierung könnte man diese Geschichte nun problemlos einem breiteren Publikum erzählen.
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 dataDieselben Daten, jedoch mit Farbgebung für Cluster, die nun eine aussagekräftige Interpretation der Daten ermöglicht
