Кластеризация данных смешанного типа с помощью R

19

Интересно, можно ли в R выполнить кластеризацию данных, имеющих смешанные переменные данных? Другими словами, у меня есть набор данных, содержащий как числовые, так и категориальные переменные внутри, и я нахожу лучший способ их кластеризации. В SPSS я бы использовал двухступенчатый кластер. Интересно, смогу ли я найти в R аналогичные методы? Мне сказали о пакете poLCA, но я не уверен ...

r clustering mixed-type-data

— Джорджо Спедикато
источник

1

Разве SPSS TwoStep не предназначен для обработки больших наборов данных? (Я предоставляю ответ на связанный с этим вопрос здесь .) В противном случае, будет ли мой ответ на Можно ли применить анализ основных компонентов к наборам данных, содержащим сочетание непрерывных и категориальных переменных? быть какой-либо помощи?

— ЧЛ

В кластере пакетов R есть маргаритка, которая создаст матрицу различий для смешанных данных (коэффициент подобия Гауэра). Тогда вы можете использовать ? Agnes или другие функции кластеризации.

— Ронда

1

Не путайте метод с реализацией. Сначала ищите алгоритм кластеризации, который имеет смысл. Затем найдите пакет R, который его реализует.

— борец с тенью

Gower сходство может быть использовано.

— ttnphns

@gung недавно закрыл очень похожий вопрос, который я задал. Мне сказали, что мой вопрос был не по теме, потому что он был преимущественно о программном обеспечении. Это похоже на программное обеспечение. Мне было бы очень интересно узнать, почему правила здесь применяются непоследовательно. Имейте в виду, я думаю, что вопрос является информативным, но правила должны быть правилами.

— Вейвен Нг

8

Это может прийти поздно, но попробуйте klaR ( http://cran.r-project.org/web/packages/klaR/index.html )

install.packages("klar")

Он использует неиерархический алгоритм k-режимов, который основан на простом сопоставлении в качестве функции расстояния, поэтому расстояние δ между переменной m двух точек данных $x$ и $y$ определяется как

δ (x_{m}, y_{m}) = {\begin{cases} 1 & x_{m} \neq y_{m}, \\ 0 & otherwise \end{cases}

$\delta(x_m,y_m) = \begin{cases} 1 & x_m \neq y_m,\\ 0 & \text{otherwise} \end{cases}$

В пакете есть недостаток: если две точки данных имеют одинаковое расстояние до центра кластера, первая в ваших данных выбирается вместо случайной точки, но вы можете легко изменить бит в коде.

Чтобы приспособиться к кластеризации смешанных переменных, вам нужно будет перейти в код и изменить функцию расстояния, чтобы идентифицировать числовые и нечисловые режимы и переменные.

— victor_v
источник

7

Другим привлекательным способом обработки переменных смешанных типов является использование матрицы проксимити / подобия из Random Forests: http://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdf . Это облегчает унифицированный способ одинаковой обработки всех переменных (тем не менее, помните о проблеме смещения выбора переменных). С другой стороны, на самом деле не существует золотого универсального способа определения расстояния для переменных смешанных типов. Все зависит от контекста приложения.

— ЭТОТ
источник

4

Вы можете использовать множественный анализ соответствий для создания непрерывных измерений из категориальных переменных, а затем использовать их с числовыми переменными на втором шаге.

— сигнальная башня
источник

1

Как бы вы относились к числовым переменным в MCA? Используя дискретность?

— ЧЛ

Существуют расширения MCA, которые могут включать непрерывные переменные, см., Например, анализ гомогенности

— kjetil b halvorsen

3

Ну, вы, конечно, можете. Делая категориальные переменные искусственно числовыми. Или используя кластеризацию на основе матрицы расстояний (fpc, вероятно, может сделать это). Сначала вы должны попытаться ответить на вопрос: имеет ли это смысл?

— Аноним-Мусс-Восстановить Монику
источник

3

$j$ $k$

S_{G} = \frac{\sum_{i = 1}^{n} w_{i, j, k} s_{i, j, k}}{\sum_{i = 1}^{n} w_{i, j, k}}

$S_G = \frac{\sum_{i=1}^n{w_{i,j,k} s_{i,j,k}}}{\sum_{i=1}^n{w_{i,j,k}}}$

i

$i$

$w_{i,j,k}$

$s_{i,j,k}$

$w_{i,j,k}$
многозначные символы (номинальные или порядковые): 1 для равенства, 0 для остальных (эквивалент простого коэффициента сопоставления)
$s_{i,j,k} = 1 - \frac{|X_{i,j} - X_{i,k}|}{R_i}$ $R_i$ $i$

$S_G$

$\sqrt{1-S_G}$

— Энгельберт Буксбаум
источник

Можете ли вы определить, что такое «характер» (и «кардинальный характер») в вашем ответе? Под этим вы подразумеваете переменную / атрибут / функцию? Кроме того, я мог бы добавить, что Gower можно вычислять для порядковых переменных, не рассматривая их как номинальные («мультистатические»), см .

— ttnphns

Caracter, переменная, функция - все это синонимы. Кардинал означает интервал или рациональную шкалу.

— Энгельберт Буксбаум

Спасибо за разъяснение этого. Я просто спросил, потому что ваша терминология, по-видимому, не очень распространена в статистике или машинном обучении: «символ» необычен, а то, что вы называете «типом» переменной типа, обычно называют «масштабной» переменной, то есть «метрической» переменной, в отличие от категориальной. ,

— ttnphns

1

Если возможных значений категориальных переменных не слишком много, то вы можете подумать о создании двоичных переменных из этих значений. Вы можете рассматривать эти двоичные переменные как числовые переменные и запускать кластеризацию. Это то, что я сделал для своего проекта.

— Raghvendra
источник

1

Кластеризация k-прототипов могла бы быть более подходящей здесь. Он объединяет k-моды и k-средние и способен кластеризовать смешанные числовые / категориальные данные. Для R используйте пакет 'clustMixType'.

https://cran.r-project.org/web/packages/clustMixType/clustMixType.pdf

— Prashanth
источник

0

VarSelLCM пакетные предложения

Выбор переменной для кластеризации на основе модели набора данных смешанного типа с отсутствующими значениями

О CRAN , и описано больше в статье .

Преимущество перед некоторыми из предыдущих методов заключается в том, что он предлагает некоторую помощь в выборе количества кластеров и обрабатывает пропущенные данные. Хорошее блестящее приложение при условии, также не будет осуждено.

— Радек
источник