Agrupamento de dados de tipo misto com R

19

Gostaria de saber se é possível executar no R um agrupamento de dados com variáveis de dados mistas. Em outras palavras, tenho um conjunto de dados contendo variáveis numéricas e categóricas e estou encontrando a melhor maneira de agrupá-las. No SPSS, eu usaria o cluster em duas etapas. Gostaria de saber se em R posso encontrar técnicas semelhantes. Foi-me dito sobre o pacote poLCA, mas não tenho certeza ...

r clustering mixed-type-data

— Giorgio Spedicato
fonte

1

O SPSS TwoStep não foi projetado para lidar com grandes conjuntos de dados? (I fornecer uma resposta a uma pergunta relacionada aqui .) Caso contrário, seria a minha resposta a ser aplicada análise de componentes principais Can para conjuntos de dados contendo uma mistura de variáveis contínuas e categóricas? de alguma ajuda?

— chl

Dentro do cluster de pacotes R, existe um margarida que criará uma matriz de dissimilaridade para dados mistos (coeficiente de similaridade de Gower). Então você pode usar ? Agnes ou outras funções de cluster.

— Rhd

1

Não confunda método com implementação. Primeiro, procure um algoritmo de agrupamento que faça sentido. Em seguida, procure um pacote R que o implemente.

— shadowtalker

A semelhança de Gower pode ser usada.

— ttnphns

A @gung encerrou recentemente uma pergunta muito semelhante que eu fiz. Disseram-me que minha pergunta estava fora de tópico porque era predominantemente sobre software. Isso parece ser similar sobre o software. Eu ficaria muito interessado em saber por que as regras aqui estão sendo aplicadas de maneira inconsistente. Veja bem, acho que a pergunta é informativa, mas as regras devem ser as regras.

— Weiwen Ng 27/02

8

Isso pode chegar tarde, mas tente o klaR ( http://cran.r-project.org/web/packages/klaR/index.html )

install.packages("klar")

Ele utiliza os não-hierárquica k-modos algoritmo, que é baseado na simples correspondente como uma função de distância, de modo que a distância entre uma δ variável m de dois pontos de dados e é dada pela $x$ $y$

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

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

Existe uma falha no pacote, ou seja, se dois pontos de dados têm a mesma distância de um centro de cluster, o primeiro em seus dados é escolhido em oposição a um ponto aleatório, mas você pode modificar facilmente o bit no código.

Para acomodar o cluster de variáveis mistas, você precisará entrar no código e modificar a função de distância para identificar modos e variáveis numéricos e não numéricos.

— victor_v
fonte

7

Outra maneira atraente de lidar com variáveis de tipos mistos é usar a matriz de proximidade / similaridade da Random Forests: http://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdf . Isso facilita uma maneira unificada de tratar igualmente todas as variáveis (no entanto, esteja ciente da questão do viés de seleção de variáveis). Por outro lado, não existe realmente uma maneira universal de ouro de definir a distância para variáveis de tipos mistos. Tudo depende dos contextos do aplicativo.

— XGS
fonte

4

Você pode usar várias análises de correspondência para criar dimensões contínuas a partir das variáveis categóricas e depois usá-las com as variáveis numéricas em uma segunda etapa.

— ftr
fonte

1

Como você trataria variáveis numéricas no MCA? Usando discretização?

— chl

Existem extensões de MCA que podem incluir as variáveis contínuas, ver, por exemplo HOMALS análise de homogeneidade

— b Kjetil HALVORSEN

3

Bem, você certamente pode. Tornando as variáveis categóricas artificialmente numéricas. Ou usando um cluster baseado em matriz de distância (o fpc provavelmente pode fazer isso). A pergunta que você deve primeiro tentar responder é: isso realmente faz sentido?

— Anony-Mousse -Reinstate Monica
fonte

3

$j$ $k$

S_{G} = \frac{\sum_{Eu = 1}^{n} W_{Eu, j, k} s_{Eu, j, k}}{\sum_{Eu = 1}^{n} W_{Eu, 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

$i$

$w_{i,j,k}$

$s_{i,j,k}$

$w_{i,j,k}$
caracteres de vários estados (nominal ou ordinal): 1 para igualdade, 0 mais (equivalente ao coeficiente de correspondência simples)
$s_{i,j,k} = 1 - \frac{|X_{i,j} - X_{i,k}|}{R_i}$ $R_i$ $i$

$S_G$

$\sqrt{1-S_G}$

— Engelbert Buxbaum
fonte

Você pode definir o que é "personagem" (e "personagem cardinal") na sua resposta? Com isso, você quer dizer variável / atributo / recurso? Além disso, devo acrescentar que Gower pode ser calculado para variáveis ordinais sem tratá-las como nominais ("multiestados"), veja .

— ttnphns

Caracter, variável, recurso são todos sinônimos. Cardinal significa intervalo ou escala racional.

— Engelbert Buxbaum

Obrigado por esclarecê-lo. Eu apenas perguntei porque sua terminologia aparentemente não é muito comum em estatística ou aprendizado de máquina: "caractere" é incomum, e o que você chama de tipo de variável "cardinal" é normalmente conhecido como variável "scale" ou variável "métrica", em vez de categórica .

— ttnphns

1

Se os possíveis valores de variáveis categóricas não forem muitos, pense em criar variáveis binárias a partir desses valores. Você pode tratar essas variáveis binárias como variáveis numéricas e executar seu armazenamento em cluster. Foi o que fiz no meu projeto.

— Raghvendra
fonte

1

O agrupamento de protótipos-k pode ser mais adequado aqui. Combina modos k e meios k e é capaz de agrupar dados numéricos / categóricos mistos. Para R, use o pacote 'clustMixType'.

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

— prashanth
fonte

0

VarSelLCM ofertas de pacotes

Seleção de variável para clustering baseado em modelo de conjunto de dados de tipo misto com valores ausentes

No CRAN , e descrito mais em papel .

A vantagem sobre alguns dos métodos anteriores é que ele oferece ajuda na escolha do número de clusters e manipula dados ausentes. O aplicativo brilhante e agradável fornecido também não deve ser desaprovado.

— radek
fonte