Sono molto entusiasta di avere il mio primo libro in stampa, Biostatistica utilizzando JMP.Parte del lavoro nello sviluppo del libro consisteva nell'esplorare e spiegare molti metodi che ho utilizzato per l'analisi avanzata. Per il data mining e la ricerca di significato nei dati, il clustering mi è stato molto utile nei miei progetti.
In JMP , sono facilmente disponibili due approcci di clustering: clustering gerarchico e k-means. Il clustering gerarchico confronta le distanze tra ciascun punto e raggruppa i punti insieme in base alla loro somiglianza (o dissomiglianza). K-significa che funziona in modo diverso e mira a trovare K centroidi appropriati per i dati, ma è necessario specificarli K come numero di raggruppamenti da trovare.
Esempio semplice
Il set di dati JMP integrato "Birth Death Subset" è un esempio di set di dati non troppo grande, ma che mostra l'uso del clustering. Lì abbiamo due variabili, i tassi grezzi di natalità e mortalità, e le osservazioni per 33 paesi. Tuttavia, è difficile trovare un’interpretazione significativa solo guardando i dati. Se tracciamo insieme le due variabili, vediamo che la maggior parte dei paesi sono raggruppati nella parte inferiore sinistra del grafico con una relazione generalmente negativa tra tassi di natalità e mortalità. Ma la relazione sottostante non è così forte e un modello di regressione per questi dati non è statisticamente significativo e spiega poca varianza. Quindi cosa possiamo fare con questo?
Raw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataRaw scatterplot of dataGrafico a dispersione grezzo dei dati
Se affrontiamo questi dati utilizzando il clustering, possiamo iniziare a vedere interpretazioni più significative. Per eseguire l'analisi dei cluster su questi dati, possiamo seguire il processo trovato nel capitolo 11 del mio libro Biostatistica utilizzando JMP: una guida pratica . In breve, in JMP 13, vorresti selezionare Analizza ► Clustering ► K significa cluster .
Ora devi specificare il numero di cluster da trovare. Sebbene sia soggettivo il numero di cluster che desideri cercare, tieni presente che troppo pochi forniranno raggruppamenti grossolani e troppi ti lasceranno nella stessa situazione in cui hai iniziato. Per questa analisi, cercheremo tre cluster. Clic Andare e ti verranno presentati molti risultati (che non mostrerò qui).
Per analizzare rapidamente questi risultati, possiamo fare alcune cose:
- Salva i colori associati ai cluster nella tabella dati.
- Ritracciare i dati sia con i cluster che con i colori.
Entrambe le opzioni sono disponibili facendo clic sul triangolo rosso accanto a K Means NCluster = 3. Assicurati di salvare prima i colori per ottenere risultati di maggiore impatto.
Con i cluster come ellissi leggermente ombreggiate e i punti codificati a colori per ciascun cluster, ora possiamo vedere alcuni raggruppamenti interessanti nei dati:
- Il verde chiaro è associato a paesi che hanno bassi tassi di natalità, ma molta variabilità nei tassi di mortalità (per inciso, soprattutto sviluppato Paesi).
- L’azzurro è associato a bassi tassi di mortalità, ma a molta variabilità nei tassi di natalità (per inciso, soprattutto sviluppando Paesi).
- Il rosso è associato a due paesi che hanno tassi di natalità e mortalità elevati (Afghanistan e Zaire).
Anche se questo non era evidente quando abbiamo aperto il set di dati per la prima volta, ora abbiamo una storia avvincente. Con una combinazione di dati, interpretazione e visualizzazione, ora è possibile raccontare facilmente questa storia a un pubblico più ampio.
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 dataStessi dati, ma con la colorazione per i cluster, che ora fornisce un'interpretazione significativa dei dati
