51
1 Introducción al Análisis Cluster

Introducción al Análisis Cluster

  • Upload
    chin

  • View
    77

  • Download
    2

Embed Size (px)

DESCRIPTION

Introducción al Análisis Cluster. Índice. Introducción Conceptos básicos Elementos Características de los elementos Distancias Particiones Jerarquías Modelos de análisis cluster Modelo de análisis cluster jerárquico Métodos aglomerativos Dendograma El problema del número de clusters - PowerPoint PPT Presentation

Citation preview

Page 1: Introducción al Análisis Cluster

1

Introducción al Análisis Cluster

Page 2: Introducción al Análisis Cluster

2

Índice

• Introducción

• Conceptos básicos– Elementos– Características de los elementos– Distancias– Particiones– Jerarquías

• Modelos de análisis cluster

• Modelo de análisis cluster jerárquico– Métodos aglomerativos– Dendograma– El problema del número de clusters– Ejemplo– Cuestiones complementarias

Page 3: Introducción al Análisis Cluster

3

Introducción• El problema de la clasificación

– Identificar grupos de individuos/objetos de características similares– Tipologías

• Economía: segmentación del mercado de consumidores• Biología: creación de una sistemática sobre el mundo vegetal y animal• Medicina: clasificación de las enfermedades en función de su sintomatología

• Definición de análisis clusterConjunto de técnicas multivariantes cuyo principal propósito es la agrupación de

individuos en conglomerados (cluster) basándose en las características de los mismos

• Cuestiones a tratar– Características – Similaridad– Modelos a utilizar– El problema del número de cluster o conglomerados– Interpretación de las características de los cluster

Page 4: Introducción al Análisis Cluster

4

Conceptos básicos

• Objetos: son los elementos a clasificar

• Características de los objetos– Escala – Nominal

niai 1,

jia ,kjni

11

Page 5: Introducción al Análisis Cluster

5

Conceptos básicos

• Matriz de datos

Peso Altura86 1,7653 1,5860 1,653231

2221

1211

aaaaaa

Page 6: Introducción al Análisis Cluster

6

Conceptos básicos

Representación gráfica de la matriz de datos

Page 7: Introducción al Análisis Cluster

7

Conceptos básicos

• Distancia– La distancia es un índice de disimilaridad que verifica las

siguientes propiedades:

0),( baD),(),( abDbaD

0),( aaD),(),(),( cbDbaDcaD

Page 8: Introducción al Análisis Cluster

8

Conceptos básicos

• Existe una gran variedad de distancias; enumeramos unicamente las más habituales– Distancia euclídea– Distancia euclídea al cuadrado– Distancia de Manhattan– Distancia de correlación de Pearson

Page 9: Introducción al Análisis Cluster

9

Conceptos básicos

• Distancia euclídea

22212

2211121 )()(),( aaaaaaD

j

jj aaaaD 2,2,121 )(),(

Page 10: Introducción al Análisis Cluster

10

Conceptos básicos

22 cba

Page 11: Introducción al Análisis Cluster

11

Matriz de distancias

,000 33,000 26,00033,000 ,000 7,00026,000 7,000 ,000

Caso1:Jose2:Angeles3:Conchita

1:Jose 2:Angeles 3:Conchita distancia euclídea

Esta es una matriz de disimilaridades

Conceptos básicos

Page 12: Introducción al Análisis Cluster

12

Conceptos básicos

• Distancia de Manhattan

j

jj aaaaD ,2,121 ),(

Page 13: Introducción al Análisis Cluster

13

Conceptos básicos

Page 14: Introducción al Análisis Cluster

14

Conceptos básicos• Distancia de correlación de Pearson

Esta distancia esta basada en el coeficiente de correlación de Pearson y por lo tanto hereda todas sus propiedades.El coeficiente de correlación de Pearson mide el grado de asociación lineal entre dos objetos, es decir, hasta que punto dos objetos son proporcionales.A diferencia de otras medidas, este coeficiente no se ve afectado por las escalas de medidas utilizadas.El recorrido de este coeficiente varía entre -1 y 1 (1 indica una relación proporcional perfecta).

Page 15: Introducción al Análisis Cluster

15

Conceptos básicos

• La estandarización de variables.• Debido a la propia definición de distancia se

deduce que ésta va a ser sensible a los cambios de escala, es decir, va a ser afectada por las unidades de medida que hemos utilizado para medir las características de los elementos.

• Si los rangos de las distintas características son dispares el cálculo de las distancias se vería seriamente afectado.

Page 16: Introducción al Análisis Cluster

16

Conceptos básicos

(86-60)^2=676

(1,76-1,65)^2=0,01001.2601.0676

Page 17: Introducción al Análisis Cluster

17

Conceptos básicos

Page 18: Introducción al Análisis Cluster

18

Conceptos básicos

• El problema de utilizar variables con distinto recorrido.

-Homogeneizar las escalas en el intervalo 0-1.

)min()max()min(

*,*,

*,,',

jj

jjiji aa

aaa

Page 19: Introducción al Análisis Cluster

19

Conceptos básicos

86 1,76

53 1,58

60 1,65

1,00 1,00

0,00 0,00

0,21 0,39

Descriptive Statistics

3 33,00 53,00 86,00 66,33333 ,18 1,58 1,76 1,66333 1,00 ,00 1,00 ,40333 1,00 ,00 1,00 ,46333

pesoAlturanpesonalturaValid N (listwise)

N Range Minimum Maximum Mean

Page 20: Introducción al Análisis Cluster

20

Conceptos básicos• Estandarizar variables

Realizar una transformación de forma que las variables transformadas tengan media 0 y varianza 1.

)()(

*,

*,,´,

j

jjiji a

amediaaa

Page 21: Introducción al Análisis Cluster

21

Conceptos básicos

86 1,76

53 1,58

60 1,65

1,13 1,07

-0,77 -0,92

-0,36 -0,15

Descriptive Statistics

3 33,00 53,00 86,00 66,3333 17,387743 ,18 1,58 1,76 1,6633 ,090743 1,89789 -,76682 1,13107 ,0000000 1,000000003 1,98374 -,91840 1,06534 ,0000000 1,000000003

pesoAlturaZpeso Zscore(peso)ZAltura Zscore(Altura)Valid N (listwise)

N Range Minimum Maximum Mean Std. Deviation

Page 22: Introducción al Análisis Cluster

22

• Partición• Sea A un conjunto finito, consideramos una clase

de subconjuntos de A, denominada H:

• H es una partición de A si se verifica:LiH i 1,

ii

ji

AH

HH

Conceptos básicos

Page 23: Introducción al Análisis Cluster

23

CroaciaGeorgia

India

ItaliaJapón

Líbano

Libia

Marruecos

Paraguay

Tanzania

4050

6070

80es

pera

nza

de v

ida

mas

culin

a

0 5000 10000 15000 20000producto interior bruto per-capita

Page 24: Introducción al Análisis Cluster

24

Page 25: Introducción al Análisis Cluster

25

Conceptos básicos

• JerarquíaDado un conjunto finito A, consideramos una clase H de subconjuntos de A.

Se dice que H es una jerarquía de A si:

,,,, ' hhhhHhh

,,:, hhhHhhHh

Page 26: Introducción al Análisis Cluster

26

Conceptos básicosJerarquía

AustriaAlemaniaNoruegaSuecia

AustriaAlemania

SueciaNoruega

Austria Alemania Suecia Noruega

Page 27: Introducción al Análisis Cluster

27

Conceptos básicos

Page 28: Introducción al Análisis Cluster

28

Modelos de análisis cluster• Métodos de agrupación jerárquica.

1. Se establecen n agrupamientos. Cada agrupamiento contiene exactamente un elemento.

2. Se agrupan los dos cluster más cercanos formando un único cluster.

3. Se recalcula la matriz de distancias.4. Pasamos al punto 1.

Este algoritmo realiza exactamente n-1iteraciones.

Page 29: Introducción al Análisis Cluster

29

Métodos de agrupación jerárquica

Page 30: Introducción al Análisis Cluster

30

Métodos de agrupación jerárquica

Page 31: Introducción al Análisis Cluster

31

Métodos de agrupación jerárquica

Page 32: Introducción al Análisis Cluster

32

Métodos de agrupación jerárquica

Page 33: Introducción al Análisis Cluster

33

Métodos de agrupación jerárquica

• Ventajas del modelo de agrupación jerárquica.

1. No requiere hacer inferencias sobre el número de cluster.

2. Permite representar las sucesivas agrupaciones en forma de árbol (dendograma).

• Inconvenientes1. Alto coste computacional.2. Sensible respecto de las primeras agrupaciones.3. Complicado de interpretar cuando el número de

elementos a clasificar es grande.

Page 34: Introducción al Análisis Cluster

34

Métodos de agrupación no jerárquica

1. Se determina a priori el número de clusters que se desea construir (k).

2. Se establece una configuración aleatoria de los centros de estos clusters, estos centros se denominan centroides.

3. Los elementos se asignan al cluster cuyo centroide esté más cerca.

4. Se recalculan (actualizan) nuevamente los centroides en función de los elementos que les han sido asignados

5. Se repite el algoritmo desde el paso 3, hasta que los centroides dejan de cambiar.

Page 35: Introducción al Análisis Cluster

35

Métodos de agrupación no jerárquica

Page 36: Introducción al Análisis Cluster

36

Métodos de agrupación no jerárquica

Page 37: Introducción al Análisis Cluster

37

Métodos de agrupación no jerárquica

• Ventajas del análisis cluster no jerárquico.1. Rapidez.2. Permite el procesamiento de gran número de datos.

• Inconvenientes1. Hay que determinar el número óptimo de cluster a

priori.2. Muy sensible ante la presencia de datos extremos.3. Sólo se pueden utilizar medidas euclídeas.4. Sensible respecto de la ordenación de los datos.

Page 38: Introducción al Análisis Cluster

38

Análisis cluster jerárquico• Fases de un análisis cluster jerárquico.

1. Determinar qué características vamos a utilizar para comparar los elementos a clasificar.

2. Considerar la conveniencia de estandarizar o no dichas características.

3. Determinar qué distancia debemos utilizar para medir la similaridad entre elementos.

4. Fijar el método de conglomeración.5. Examinar el dendograma para determinar el número

óptimo de agrupaciones.6. Estudio e interpretación de la partición obtenida.7. Verificar la estabilidad de la solución.

Page 39: Introducción al Análisis Cluster

39

Análisis cluster jerárquico

• Métodos de conglomeración– Vecino más cercano.– Vecino más lejano.– Centroide– Vinculación intergrupos

Page 40: Introducción al Análisis Cluster

40

Análisis cluster jerárquico

• Vecino más cercano.– La distancia entre dos conglomerados se

define como la distancia (en la métrica considerada) de los dos elementos más cercanos.

– Este método tiende a maximizar lo conexo.

Page 41: Introducción al Análisis Cluster

41

Análisis cluster jerárquico

Page 42: Introducción al Análisis Cluster

42

Análisis cluster jerárquico

• Vecino más lejano.– La distancia entre dos conglomerados se

define como aquélla entre los elementos más alejados.

– Este método tiende a minimizar las distancias dentro de los conglomerados.

Page 43: Introducción al Análisis Cluster

43

Análisis cluster jerárquico

• Método del centroide.• La distancia entre dos cluster se define

como la distancia entre las medias (centroides) de los mismos.

Page 44: Introducción al Análisis Cluster

44

Análisis cluster jerárquico

Page 45: Introducción al Análisis Cluster

45

Análisis cluster jerárquico

• Vinculación entre grupos• Se define la distancia entre dos clusters

como el promedio de las distancias entre todos los pares de elementos de los dos conglomerados.

Page 46: Introducción al Análisis Cluster

46

Análisis cluster jerárquico

Page 47: Introducción al Análisis Cluster

47

Análisis cluster jerárquico• Dendograma• El dendograma es un diagrama con estructura

de árbol binario que muestra las fusiones de los elementos en cada paso del procedimiento jerárquico.

• El dendograma se representa por medio de dos ejes perpendiculares. En uno de ellos se representan los elementos a clasificar, en el otro eje se representan las distancias a la que se van juntando los elementos.

Page 48: Introducción al Análisis Cluster

48

Análisis cluster jerárquico

Page 49: Introducción al Análisis Cluster

49

Análisis cluster jerárquico• El problema del número de clusters.• No existe ningún criterio general que nos

permita determinar el número óptimo de clusters, pues influyen factores como el número de elementos con valores extremos, las distribuciones que siguen las variables … etc.

• Una forma de determinar el número óptimo de cluster es examinar atentamente el historial del algoritmo de aglomeración y el dendograma del mismo.

• Un factor a tener muy en cuenta es el tamaño de los clusters resultantes.

Page 50: Introducción al Análisis Cluster

50

Análisis cluster jerárquico

Page 51: Introducción al Análisis Cluster

51

Análisis cluster jerárquico