Cluster Analysis Oliveros
-
Upload
roberto-garcia -
Category
Documents
-
view
220 -
download
0
Transcript of Cluster Analysis Oliveros
-
8/18/2019 Cluster Analysis Oliveros
1/30
-
8/18/2019 Cluster Analysis Oliveros
2/30
Agenda
• Motivación
• Definición y usos del AC.• Conceptos e ideas básicas del AC.
• Métodos y Algoritmos.
• AC: Un ejercicio de simulación• Consideraciones Finales
-
8/18/2019 Cluster Analysis Oliveros
3/30
Motivación
Cuantos grupos de eficicios distintos en la foto? (La mayoria parecen similares)
-
8/18/2019 Cluster Analysis Oliveros
4/30
Motivación
Cuantos grupos de eficicios distintos en la foto? (La mayoria parecen similares)
Existe algun patron identificable ? Hay mas de uno?(i) Altura.(ii) Forma(iii) MaterialesEVIDENTEMENTE : Necesitamos un poco mas de detalles.
-
8/18/2019 Cluster Analysis Oliveros
5/30
Motivación
Algunos detalles:
Uffff, …….Creo que se necesita algo mas….
.
-
8/18/2019 Cluster Analysis Oliveros
6/30
Motivación
Algunos detalles:
Uffff, ……..Creo que se necesita algo mas…..Quizas: un arquitecto, historiador, urbanista y otros especialistas para construir unos
indicadores para acercarnos a confirmar la singularidad, (no-singularidad ) de estas estructuras.
-
8/18/2019 Cluster Analysis Oliveros
7/30
Definición y usos del AC.
• Definición del AC?
Es una técnica matemático-estadística que permite dividir(agrupar) una población deobjetos, o entidades, en subgruposdisímiles (similares), de acuerdo aalguna métrica.
Es decir, permite agrupar: objetos,o entidades [individuos, areasgeograficas:{mpios, dptos,..}
instituciones, ...] a partir delcomportamiento de una, o masvariables asociadas a los objetos.
Fuente: http://en.wikipedia.org/wiki/Data_clusteringAC Jerárquico: Aglomeración
AC-No-jerárquico: K-means
-
8/18/2019 Cluster Analysis Oliveros
8/30
Definición y usos del AC
• Usos del AC
• Procesamiento de Imágenes (PI)
• Investigaciones de Mercado (IM)
• Recuperación de Información (RI)
• Epidemiología (EP)
• Minería de Datos (MD)
• (PI) Identificacion de objetos y trazasinusuales
• (IM): Definición de poblaciones objetivo
para campañas publicitarias• (RI): análisis de Weblog (bitácoras):
búsquedas, OS, Minería de Texto
• (EP) Definicion de conglomerados consimilar evolucion de eventos
epidemilogicos (espacio-tiempo)• (MD) Busqueda de patrones inusuales
-
8/18/2019 Cluster Analysis Oliveros
9/30
Definición y usos del AC
• Donde es utilizado el AC?• Reconocimiento de patrones (RP)
• Biología: Análisis de Genoma Humano.
Ding, C., X., He, (2004), "K-means Clustering via Principal Component Analysis", ComputationalResearch Division, Lawrence Berkeley National Laboratory.
-
8/18/2019 Cluster Analysis Oliveros
10/30
Definición y usos del AC
• Donde es utilizado el AC?• Procesamiento de Imágenes (PI)
• Detección de eventos inusuales
Fuente: http://en.wikipedia.org/wiki/Data_clusteringAC Jerárquico: Técnica Aglomeración
Porikli, F.M., T., Haga, (2004) "Event Detection by Eigenvector Decomposition Using Object and Frame
Features", Conference on Computer Vision and Pattern Recognition (CVPRW),
-
8/18/2019 Cluster Analysis Oliveros
11/30
Definición y usos del AC
• Donde es utilizado el AC?• Epidemiología
• Patrones de Incidencia de Malaria
Pietro Ceccato, Tewolde Ghebremeskel, Malanding Jaiteh, Patricia M. Graves, Marc Levy, Shashu Ghebreselassie, Andom Ogbamariam,
Anthony G. Barnston, Michael Bell, John del Corral, Stephen J. Connor, Issac Fesseha,Eugene P. Brantly, and Madeleine C. Thomson,(2007), “Malaria Stratification, Climate, and Epidemic Early Warning in Eritrea” Am. J. Trop. Med. Hyg., 77(Suppl 6),, pp. 61–68
-
8/18/2019 Cluster Analysis Oliveros
12/30
Conceptos e ideas básicas del AC
• Elementos a considerar
- AC es una técnica de clasificación no-supervisada: (no hay grupospredefinidos, no hay: entrenamiento,grupo de prueba)
-Algunos algoritmos en AC estánbasados en un principio fundamental: ladistancia que separa dos grupos deobjetos no puede ser inferior a la existeentre los miembros de los respectivosgrupos.
• Distancia:
2
21
2
2111
11
1111
1111
221
2
1
111
2
1
)()(),(
0),(
.),(),(
.bpuntoalapuntodeldistancia:),(
),(:
),(:
y y x xbad
aad
abd bad
bad
y xb Rb
y xa Ra
−+−=
=
=
⇒∋
⇒∋
(x1,y1)
(x2,y2)
Y
X
)( 21 y y −
)( 12 x x −
GA
GB
-
8/18/2019 Cluster Analysis Oliveros
13/30
Conceptos e ideas básicas del AC
• Elementos a considerar:
- Desde la estadística el concepto deCovarianza, (Cov), o de Correlación,(Cor) es importante para establecerel vinculo entre la medida de
distancia y el concepto dedisimilaridad (similaridad)señalado en la definición de AC.
• Cov y Cor:
1),(1;)(*)(
),(),(
))((1
1),(
)()(;)(1
1)(
:}observ.:,,,{:
GYX,prom:),(
2
i
≤≤−=
−−−
=
=−−
=
∪∪∪==
∋
∑
∑
Y X Cor Y Std X Std
Y X CovY X Cor
y y x xn
Y X Cov
X Var X Std x xn
X Var
GGGGGn DC B AiG
y x
iii
n
i
i
i
i
n
i
i
i
DC B AT ii
ii
i
i
X
*
),( B B y x
*
),( A A y x
*
),( C C y xY
*),( D D y x
),(
*
T T y x
-
8/18/2019 Cluster Analysis Oliveros
14/30
Conceptos e ideas básicas del AC• La estructura de la información (fotografía)
-
8/18/2019 Cluster Analysis Oliveros
15/30
Conceptos e ideas básicas del AC• La estructura de la información (espacio-tiempo)
-
8/18/2019 Cluster Analysis Oliveros
16/30
Conceptos e ideas básicas del AC
• La estructura de la información (espacio-tiempo)
-
8/18/2019 Cluster Analysis Oliveros
17/30
Conceptos e ideas básicas del AC
• La estructura de la información (espacio-tiempo)
-
8/18/2019 Cluster Analysis Oliveros
18/30
Conceptos e ideas básicas del AC• Matriz de Covarianza / Correlación
qqmqmqm
qmmm
qmmm
r r r
r r r
r r r
_2_1_
2_22_21_
1_12_11_
...
...
...
MOMM
qqmqmqm
qmmm
qmmm
_2_1_
2_22_21_
1_12_11_
cov...covcov
cov...covcov
cov...covcov
MOMM
Cov
Cor
-
8/18/2019 Cluster Analysis Oliveros
19/30
Conceptos e ideas básicas del AC
COR y1_1 y1_4 y2_4 y3_1 y4_5 y4_9
y1_1 1.0000 0.6134 -0.0431 0.1450 0.2623 0.2439
y1_4 0.6134 1.0000 0.0843 0.1746 0.2511 0.2189
y2_4 -0.0431 0.0843 1.0000 0.3884 0.3611 0.3105
y3_1 0.1450 0.1746 0.3884 1.0000 0.2090 0.1631
y4_5 0.2623 0.2511 0.3611 0.2090 1.0000 0.5961
y4_9 0.2439 0.2189 0.3105 0.1631 0.5961 1.0000
Matriz de Correlación
-
8/18/2019 Cluster Analysis Oliveros
20/30
Conceptos e ideas básicas del AC
• Vectores propios y Valores propios : (Eigenvalues and Eigenvectors)
(Empirical Orthogonal Functions: EOF – Componentes Principales)
},...,2
,1
{(A) /PropiosValores:)(
21
22221
11211
E
...1
E /PropiosVectoresMatriz:
A)g(DISTANCICORR,:simetricaMatriz:
q A
qqeqeqe
qeee
qeee
qee E
A
λ λ λ λ λ =
=
=
LL
MOOMM
MOOMM
LL
LL
EdeaTranspuestMatriz :
;*)(*
00
300
020
001
)(
},...,2
,1
{(A) /PropiosValores:)(
T E
T E D E A
q
D
q A
λ
λ
λ λ
λ
λ
λ λ λ λ λ
=
=
=
LL
MOOMM
MO
LL
LL
-
8/18/2019 Cluster Analysis Oliveros
21/30
Métodos y Algoritmos (M&A)
• Consideraciones generales:
• AC no es una método de inferencia estadística.
• En general los M&A no dependen de función de distribución de probabilidadasociada con las variables en la población.
• Las medidas estadísticas/indicadores usadas para generar los valores querepresentan a las distintas variables en el análisis de las unidades que se pretendeagrupar usando CA deben ser cuidadosamente escogidas (cortes transversales).
• Las escalas de medición (variabilidad) inciden en la determinación de la métrica quese use para desarrollar el AC bajo descomposiciones bajo vectores y valorespropios: (COV vs. COR).
• Para el conjunto de información definido en el componente de (espacio-tiempo) esfundamental identificar si existe algún componente de tendencia (tiempo:
determinística, o estocástico) y/o espacial en el proceso generador de datos. (PGD)para considerarlo ,o eliminarlo.
-
8/18/2019 Cluster Analysis Oliveros
22/30
Métodos y Algoritmos (M&A)
}y;),(max{),(s jr i jisr
A Ad A A M ∋∋= xxxx
• AC Jerárquico:
Genera una descomposición jerárquica delos objetos de acuerdo a un métrica y unalgoritmo.Algoritmos:
• Nearest Neighbor (NNA) Vecino Próximo(escoge la mínima distancia)
• Farthest Neighbor (FNA) Vecino Distante
(escoge la maxíma distancia)
• Existen otros algoritmos AC Jerarquicos, asícomo No-Aglomerativos (divisivo)
Fuente: http://en.wikipedia.org/wiki/Data_clusteringAC Jerárquico: Aglomeración}y;),(min{),( s jr i jisr A Ad A A M ∋∋= xxxx
AC Jerárquico: División
-
8/18/2019 Cluster Analysis Oliveros
23/30
Métodos y Algoritmos (M&A)
• AC No-Jerárquico:Genera una descomposición no-jerárquicade los objetos de acuerdo a un métrica yun algoritmo. El proceso es iterativo conuna regla de parada: (# clusters,criterio)
K-Means:
(i) Escoge, al azar, k-subconjuntos (k-
clusters) no vacíos de los objetos(ii) Construye un punto de referencia(un centroide [means:promedios]) enc/u de ellos con base en los objetosque pertenecen al mismo cluster
(iii) Asigna un objeto a un clusterespecifico de acuerdo a una criteriode distancia mínima respecto del
punto de referencia(iv) Retorna al paso (ii) y continua en
este proceso iterativo hasta queningún objeto séa reasignado a uncluster distinto al que estabapreviamente.
-
8/18/2019 Cluster Analysis Oliveros
24/30
Métodos y Algoritmos (M&A)
• AC No-Jerárquico:Genera una descomposición no-jerárquica delos objetos de acuerdo a un métrica y un
algoritmo. El proceso es iterativo con unaregla de parada: (# clusters,criterio:)
• Cluster vía vectores propios*:
(i) Calcule los Vectores y Valores propios de la
matrix A {Paso1}.(ii) Utilice los k-primeros vectores propios {e1,…,ek} para construir una matriz C={Cij} {Paso 2} si jcij >0 existe una conexión entre el objeto {i}(localización {i}) y el objeto {j} (localización {j})(iii) Defina un umbral para decidir si los
elementos de C {cij >0} , para tomar la decisión decuales localizaciones están fuertemente
conectadas {paso¨3 }.Identifique estructuras diagonales en bloque yasigne las los cluster de acuerdo a lasestructuras.
[ ]
( )
.conconectadoestasi:Umbral
:
:Paso3
21
22221
11211
/ |){
0...0...21
}{
:2
21
21
1.
1211
...1
E
;*)(*
}),({
:1
2
ji p
qq
c
q
c
q
c
qccc
qccc
PPC
qq p pP
k eeeqQ
Paso
qqe
qe
qe
iqe
ie
ie
qeee
qee
E D E A
COR Dist g A
Paso
ij
T
k k k
j
ijijijijk
ijk
T
⇒>
==
==
==
=
=
=
=
∑
θ
λ
LL
MOOMM
MOOMM
LL
LL
LL
MOOMM
OO
MLLOM
LL
* Porikli, F.M., T., Haga, (2004) "Event Detection by Eigenvector Decomposition Using Object and Frame
Features", Conference on Computer Vision and Pattern Recognition (CVPRW),
-
8/18/2019 Cluster Analysis Oliveros
25/30
AC: Un ejercicio de simulación (M,D)
• Mecanismo de simulación de una enfermedad (Por ejemplo: malaria)
• Se simularon 4 grupos de localizaciones c/u con 10 localizaciones para 50
años de información mensual, es decir, 600 obs por 40 localizaciones.
• Se utilizo una distribución de probabilidad binomial negativa, (NBPD) en lasimulación cuyo valor esperado condicionado varia de un mes a otrodependiendo del comportamiento de tres variables básicas: tendencia (x1)temperatura (x2) y (x3) precipitación
• La precipitación tiene un componente “estacional” (periodos de lluvias,periodos secos) que varia de acuerdo al grupo, se ve afectada por unavariable que se comporta como ENSO para los años en que ENSO fueidentificado como el (NINO) y esto conduce a una penalización(disminución del nivel precipitación) distinta en cada grupo.
g
t
gg
t
gg
t
ggg
t
g
t X X X 1322110);NBPD( α α α α µ µ +++=
-
8/18/2019 Cluster Analysis Oliveros
26/30
AC: Un ejercicio de simulación para (M,D)
Eigenvalues lambda_1 lambda_2 lambda_3 lambda_4 lambda_5 lambda_6
2.3596 1.3670 0.9648 0.5507 0.3994 0.3585
Eigenvectors e1 e2 e3 e4 e5 e6
-0.3855 0.5786 -0.0936 -0.0791 -0.0302 0.7076
-0.4038 0.5074 -0.2086 0.3879 0.0806 -0.6156
-0.3439 -0.5329 -0.2269 0.6725 0.0764 0.2969
-0.3236 -0.2625 -0.7057 -0.5608 0.0080 -0.1173
-0.4956 -0.1717 0.3971 -0.1184 -0.7338 -0.1216
-0.4688 -0.1591 0.4904 -0.2501 0.6695 -0.0598
COR y1_1 y1_4 y2_4 y3_1 y4_5 y4_9
y1_1 1.0000 0.6134 -0.0431 0.1450 0.2623 0.2439
y1_4 0.6134 1.0000 0.0843 0.1746 0.2511 0.2189
y2_4 -0.0431 0.0843 1.0000 0.3884 0.3611 0.3105
y3_1 0.1450 0.1746 0.3884 1.0000 0.2090 0.1631
y4_5 0.2623 0.2511 0.3611 0.2090 1.0000 0.5961
y4_9 0.2439 0.2189 0.3105 0.1631 0.5961 1.0000
Cluster via vectores propios:(Ejercicio escogiendo : 6 localidades | Yi_j : # casos del grupo i, en el localidad j )
D={d(i,j)} y1_1 y1_4 y2_4 y3_1 y4_5 y4_9
y1_1 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000
y1_4 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000
y2_4 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000
y3_1 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000
y4_5 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000
y4_9 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000
-
8/18/2019 Cluster Analysis Oliveros
27/30
AC: Un ejercicio de simulación para (M,D)Cluster :Jerarquico divisivoSAS VARCLUS:(Ejercicio escogiendo : 6 localidades | Yi_j : # casos del grupo i, en el localidad j )
Cluster Summary for 1 Cluster 3 Clusters R-squared with 1-R**2Cluster Members Cluster Variation Proportion Second Cluster Variable Own Next Ratio
Variation Explained Explained Eigenvalue Cluster Closest
1 6 6 2.359616 0.3933 1.367 Cluster 1 y4_5 0.7981 0.117 0.2287
y4_9 0.7981 0.0808 0.2197
Cluster Summary for 2 Clusters Cluster 2 y1_1 0.8067 0.0803 0.2102
Cluster Members Cluster Variation Proportion Second y1_4 0.8067 0.0692 0.2077
Variation Explained Explained Eigenvalue Cluster 3 y2_4 0.6942 0.1413 0.35611 4 4 2.034375 0.5086 0.9859 y3_1 0.6942 0.0434 0.3197
2 2 2 1.613367 0.8067 0.3866
Total variation explained = 3.647742 Proportion = 0.6080 4 Clusters R-squared with 1-R**2
Cluster Variable Own Next Ratio
Cluster Summary for 3 Clusters Cluster Closest
Cluster Members Cluster Variation Proportion Second Cluster 1 y4_5 0.7981 0.1304 0.2322
Variation Explained Explained Eigenvalue y4_9 0.7981 0.0964 0.22351 2 2 1.59613 0.7981 0.4039 Cluster 2 y1_1 0.8067 0.0803 0.2102
2 2 2 1.613367 0.8067 0.3866 y1_4 0.8067 0.0692 0.2077
3 2 2 1.388425 0.6942 0.6116 Cluster 3 y3_1 1 0.1509 0
Total variation explained = 4.597922 Proportion = 0.7663 Cluster 4 y2_4 1 0.1509 0
Total variation explained = 5.209497 Proportion = 0.8682
-
8/18/2019 Cluster Analysis Oliveros
28/30
AC: Un ejercicio de simulación para (M,D)Cluster via Jerarquico – divisivo(PROC VARCLUS-SAS-COR - # clusters=2):(Ejercicio temperaturas : 5 localidades Obs={Jan, Feb, Mar, Jun, Jul, Aug)
Cluster Summary for 1 Cluster
Cluster Members Cluster Variation Proportion Second
Variation Explained Explained Eigenvalue
1 5 2537.524 2535.748 0.9993 1.5239
Total variation explained = 2535.748 Proportion = 0.9993
Cluster Summary for 2 ClustersCluster Members Cluster Variation Proportion Second
Variation Explained Explained Eigenvalue
1 2 1213.517 1213.37 0.9999 0.1471
2 3 1324.007 1323.632 0.9997 0.2957
2 Clusters R-squared with 1-R**2
Cluster Variable Own Next RatioCluster Closest
Cluster 1 id_48 0.9999 0.9978 0.0527
id_7 0.9999 0.998 0.0635
Cluster 2 id_2 0.9999 0.9979 0.046
id_56 0.9994 0.9955 0.1228
id_55 0.9997 0.999 0.3083
-
8/18/2019 Cluster Analysis Oliveros
29/30
AC: Ejemplo usando R softwarePrograma en R========================================================rm(list=ls(all=TRUE))library(stats)library(calibrate)W=read.csv(file="C:/IRI/ecuador/cluster/xls/Dat_Espa1.csv",
head=TRUE,sep=",")attach(W)var_gr1=cbind(x1,x2)site_n=rbind("Curavacas","Mampodre","Pena Prieta","Espigüete","Remelende","Ten")X=as.data.frame(var_gr1,row.names=site_n)dis_1=dist(X)hc_sin=hclust(dis_1, "single")plot(hc_sin)
cl =kmeans(X, 3, nstart = 25)plot(X, col = cl$cluster, xlim=c(.80*min(X[,1]),1.2*max(X[,1])),ylim=c(.80*min(X[,2]),1.2*max(X[,2])))textxy(X[,1], X[,2], site_n)=======================================================
Tabla de datos en formato csv para el programa================================================
R: hclust
R: kmeans
-
8/18/2019 Cluster Analysis Oliveros
30/30
Consideraciones Finales
• Es importante recordar que AC es una técnica sensible a las unidades que las variablesmantienen. En el caso de técnicas basadas en la descomposición de vectores y valorespropios los resultados cambian de acuerdo a la métrica que se use.
• Los resultados bajo diferentes M&A, conjuntos de información y/o métricas cambian
• AC no es un técnica de carácter inferencial desde el punto de vista estadístico. Sinembargo en algunos casos es posible usar análisis discriminante para evaluar laclasificación que proviene de AC. (Desventaja: Supuestos distribuciones requeridas).
• Varios paquetes estadísticos o soluciones de software proveen rutinas de AC donde elconjunto de datos esta compuesto por objetos que se desean agrupar. R, MATLAB,SAS, etc.
• El uso de algún norma (modelos para caracterizar el evento) que permita derivar algúntipo de estimación del error (los residuos: las anomalías) puede resultar mas adecuadocuando el comportamiento de las realizaciones de las variables aleatorias no es tanestable como el implícito en las simulaciones usadas.
• La presencia de valores extremos, o inusuales (outliers) afecta la definición de losgrupos (conglomerados, clusters). La identificacion adecuada de estos valoresinusuales implica un proceso de validacion adecuada de las fuentes informacion(limpiar, recuperar, confirmar) [Costo/Beneficio].