© Institut biostatistiky a analýz
Mgr. Lucie Brožová
RNDr. Eva Koriťáková, Ph.D.
Podzim 2019
Vícerozměrné metody - cvičení
Koriťáková: Vícerozměrné metody - cvičení
Shluková analýza – typy metod – opakování
2
Shluková analýza
Hierarchické
shluky jsou definovány
postupným skládáním objektů
Aglomerativní
Po spojení první dvojice
objektů dochází k
postupnému napojování
dalších objektů.
Divizivní
Objekty jsou nejprve
rozděleny do dvou shluků,
tyto shluky jsou dále
rozděleny atd.
Nehierarchické
shluky jsou definovány
v jednom kroku
Divizivní
objekty rozděleny do
předem nastaveného
počtu shluků.
Aglomerativní
síť spojených
bodů
1. Krok
2. Krok
X. Krok Atd.Atd.
Kolik shluků chceme
definovat? Například 4
Výpočet ukončen
Minimum spanning
tree, Prime network
Výpočet ukončen
Koriťáková: Vícerozměrné metody - cvičení
Shluková analýza – typy metod – opakování
3
Shluková analýza
Hierarchické
shluky jsou definovány
postupným skládáním objektů
Aglomerativní
Po spojení první dvojice
objektů dochází k
postupnému napojování
dalších objektů.
Divizivní
Objekty jsou nejprve
rozděleny do dvou shluků,
tyto shluky jsou dále
rozděleny atd.
Nehierarchické
shluky jsou definovány
v jednom kroku
Divizivní
objekty rozděleny do
předem nastaveného
počtu shluků.
Aglomerativní
síť spojených
bodů
Metoda nejbližšího souseda
Metoda nejvzdál. souseda
Metoda průměrné vazby
Centroidová metoda
Wardova metoda
Metody monotetické
Metody polytetické –
TWINSPAN
Metoda k-průměrů
Metoda x-průměrů
Metoda k-medoidů
Minimum spanning
tree
Koriťáková: Vícerozměrné metody - cvičení
Shlukovací algoritmy hierarchického aglomerativního
shlukování
4
• Metoda nejbližšího souseda (jednospojná metoda, metoda jediné
vazby, metoda krátké ruky, nearest neighbour, simple linkage)
– spojení dle nejmenší vzdálenosti mezi objekty shluků
• Metoda průměrné vazby (středospojná metoda, average linkage) –
spojení dle průměrné vzdálenosti mezi objekty shluků
– Nevážená (unweighted, UPGMA) – výpočet spojovací vzdálenosti je ovlivněn
velikostí spojovaných shluků
– Vážená (weighted, WPGMA) – odstranění vlivu velikosti shluků, shluky bez
ohledu na velikost přispívají k výpočtu spojovací vzdálenosti stejnou vahou
• Centroidová metoda (centroidní metoda, metoda středospojné
vzdálenosti, Gowerova metoda, centroid method) – spojení dle
vzdálenosti centroidů shluků
– Nevážená (unweighted, UPGMC) – výpočet spojovací vzdálenosti je ovlivněn
velikostí spojovaných shluků
– Vážená (weighted, WPGMC, mediánová metoda, median method) –
odstranění vlivu velikosti shluků
• Metoda nejvzdálenějšího souseda (všespojná metoda, metoda
dlouhé ruky, furthest neigbour, complete linkage) – spojení dle
největší vzdálenosti mezi objekty shluků
Koriťáková: Vícerozměrné metody - cvičení
Příklad 1
V experimentu byla u 5 buněčných linií zjišťována
kvantita membránových markerů popisujících
jejich citlivost k chemoterapii. V přiložené tabulce
naleznete změřené hodnoty standardizované na
referenční buněčnou linii.
5
Buněčná linie Marker 1 Marker 2
A 2 4
B 2 8
C 6 10
D 10 14
E 11 13
Vztahy mezi liniemi jsou vyjádřeny následující asociační maticí:
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
1. Výše uvedená asociační matice vyjadřuje podobnost nebo vzdálenost? A proč?
2. K výpočtu prvků asociační matice byl použit Jaccardův koeficient, Gowerův
koeficient, Euklidova metrika nebo Hammingova (manhattanská) metrika?
3. Zdůvodněte vhodnost či nevhodnost použití tohoto koeficientu či metriky
v případě těchto dat.
4. Vytvořte dendrogram pomocí algoritmu nejbližšího a nejvzdálenějšího souseda,
rozepište jednotlivé kroky výpočtu.
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda: 1. krok výpočtu
6
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
1
• Je definován shluk dvou
nejbližších objektů
D-E
• Je vypočtena asociační matice
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda: 2. krok výpočtu
• Je vypočtena asociační matice, kde objekty D-E již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána nejmenší vzdáleností
od jeho členů (D, E)
7
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A B C D+E
A 0.0 4.0 7.2 12.7
B 4.0 0.0 4.5 10.0
C 7.2 4.5 0.0 5.7
D+E 12.7 10.0 5.7 0.0
• Je definován shluk dvou
nejbližších objektů
A-B
1
2
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
A B C D+E
A 0.0 4.0 7.2 12.7
B 4.0 0.0 4.5 10.0
C 7.2 4.5 0.0 5.7
D+E 12.7 10.0 5.7 0.0
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda: 3. krok výpočtu
• Je vypočtena asociační matice, kde objekty A-B již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána nejmenší vzdáleností
od jeho členů (A, B)
8
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A+B C D+E
A+B 0.0 4.5 10.0
C 4.5 0.0 5.7
D+E 10.0 5.7 0.0
• Je definován shluk dvou
nejbližších objektů
(A-B)-C
1
2
3
A B C D+E
A 0.0 4.0 7.2 12.7
B 4.0 0.0 4.5 10.0
C 7.2 4.5 0.0 5.7
D+E 12.7 10.0 5.7 0.0
A+B C D+E
A+B 0.0 4.5 10.0
C 4.5 0.0 5.7
D+E 10.0 5.7 0.0
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda: 4. krok výpočtu
• Je vypočtena asociační matice, kde objekty (A-B)-C již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána nejmenší vzdáleností
od jeho členů (A, B, C)
9
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A+B+C D+E
A+B+C 0.0 5.7
D+E 5.7 0.0
• Je definován shluk dvou
nejbližších objektů
((A-B)-C)-(D-E)
1
2
3
4
A+B C D+E
A+B 0.0 4.5 10.0
C 4.5 0.0 5.7
D+E 10.0 5.7 0.0
A+B+C D+E
A+B+C 0.0 5.7
D+E 5.7 0.0
• Všechny objekty jsou
spojeny, algoritmus je
ukončen
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda: výsledek analýzy
10
• Výsledek analýzy je vizualizován ve formě dendrogramu
Tree Diagram for 5 Cases
Single Linkage
Euclidean distances
0 1 2 3 4 5 6
Linkage Distance
E
D
C
B
A
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
2
3
4
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda: výsledek analýzy
Pokud bychom v dendrogramu provedli řez na podobnosti/vzdálenosti 5, kolik
dostaneme shluků? Které buněčné linie budou v jednotlivých shlucích?
Výsledek interpretujte.
11
Tree Diagram for 5 Cases
Single Linkage
Euclidean distances
0 1 2 3 4 5 6
Linkage Distance
E
D
C
B
A
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
2
3
4
→ dostaneme 2 shluky: (A+B+C) a (D+E); přičemž linie D a E mají mnohem vyšší
hodnoty obou markerů než linie A, B a C
Marker 1
Marker2
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda: 1. krok výpočtu
12
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
1
• Je definován shluk dvou
nejbližších objektů
D-E
• Je vypočtena asociační matice
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda: 2. krok výpočtu
• Je vypočtena asociační matice, kde objekty D-E již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána největší vzdáleností od
jeho členů (D, E)
13
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A B C D+E
A 0.0 4.0 7.2 12.8
B 4.0 0.0 4.5 10.3
C 7.2 4.5 0.0 5.8
D+E 12.8 10.3 5.8 0.0
• Je definován shluk dvou
nejbližších objektů
A-B
1
2
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
A B C D+E
A 0.0 4.0 7.2 12.8
B 4.0 0.0 4.5 10.3
C 7.2 4.5 0.0 5.8
D+E 12.8 10.3 5.8 0.0
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda: 3. krok výpočtu
• Je vypočtena asociační matice, kde objekty A-B již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána největší vzdáleností od
jeho členů (A, B)
14
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
A+B C D+E
A+B 0.0 7.2 12.8
C 7.2 0.0 5.8
D+E 12.8 5.8 0.0
• Je definován shluk dvou
nejbližších objektů
(D-E)-C
1
2
A B C D+E
A 0.0 4.0 7.2 12.8
B 4.0 0.0 4.5 10.3
C 7.2 4.5 0.0 5.8
D+E 12.8 10.3 5.8 0.0
A+B C D+E
A+B 0.0 7.2 12.8
C 7.2 0.0 5.8
D+E 12.8 5.8 0.0
3
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda: 4. krok výpočtu
• Je vypočtena asociační matice, kde objekty (D-E)-C již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána největší vzdáleností od
jeho členů (D, E, C)
15
A+B D+E+C
A+B 0.0 12.8
D+E+C 12.8 0.0
• Je definován shluk dvou
nejbližších objektů
((D-E)-C)-(A-B)
A+B C D+E
A+B 0.0 7.2 12.8
C 7.2 0.0 5.8
D+E 12.8 5.8 0.0
A+B D+E+C
A+B 0.0 12.8
D+E+C 12.8 0.0
• Všechny objekty jsou
spojeny, algoritmus je
ukončen
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
2
3
4
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda: výsledek analýzy
16
• Výsledek analýzy je vizualizován ve formě dendrogramu
Tree Diagram for 5 Cases
Complete Linkage
Euclidean distances
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Linkage Distance
E
D
C
B
A
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
2
3
4
Koriťáková: Vícerozměrné metody - cvičení
Pokud bychom v dendrogramu provedli řez na podobnosti/vzdálenosti 5, kolik
dostaneme shluků? Které buněčné linie budou v jednotlivých shlucích?
Výsledek interpretujte.
17
→ dostaneme 3 shluky: (A+B), (C) a (D+E); přičemž linie D a E mají vysoké hodnoty obou
markerů, A a B mají nízké hodnoty obou markerů a linie C má střední hodnoty markerů
Tree Diagram for 5 Cases
Complete Linkage
Euclidean distances
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Linkage Distance
E
D
C
B
A
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
2
3
4
Marker 1
Marker2
Metoda nejvzdálenějšího souseda: výsledek analýzy
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího a nejvzdálenějšího souseda –
interpretace výsledků
18
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Linkage Distance
E
D
C
B
A
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Linkage Distance
E
D
C
B
A
Metoda nejbližšího souseda Metoda nejvzdálenějšího souseda
Rozdílné zařazení objektu C
Vzdálenost, na níž došlo ke spojení shluku:
• u metody nejbližšího souseda znamená nejmenší
vzdálenost objektů shluku, tedy ve shluku mohou
existovat objekty s větší vzdáleností
Vzdálenost, na níž došlo ke spojení shluku:
• u metody nejvzdálenějšího souseda znamená
největší vzdálenost objektů shluku, tedy objekty ve
shluku už mohou být k sobě pouze blíže nebo stejně
vzdálené jako je tato vzdálenost
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejbližšího souseda – doplnění
• Je vypočtena asociační matice, kde objekty D-E již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána nejmenší vzdáleností
od jeho členů (D, E)
19
A B C D+E
A 0.0 4.0 7.2 12.7
B 4.0 0.0 4.5 10.0
C 7.2 4.5 0.0 5.7
D+E 12.7 10.0 5.7 0.0
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
A B C D+E
A 0.0 4.0 7.2 12.7
B 4.0 0.0 4.5 10.0
C 7.2 4.5 0.0 5.7
D+E 12.7 10.0 5.7 0.0
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
→ vzdálenost A od shluku D+E je dána vzdáleností A od E, protože je menší než vzdálenost A od D
→ vzdálenost B od shluku D+E je dána vzdáleností B od D, protože je menší než vzdálenost B od E
→ vzdálenost C od shluku D+E je dána vzdáleností C od D, protože je menší než vzdálenost C od E
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda – doplnění
• Je vypočtena asociační matice, kde objekty D-E již vystupují jako jeden
objekt, jehož vzdálenost od ostatních objektů je dána největší vzdáleností od
jeho členů (D, E)
20
A B C D+E
A 0.0 4.0 7.2 12.8
B 4.0 0.0 4.5 10.3
C 7.2 4.5 0.0 5.8
D+E 12.8 10.3 5.8 0.0
A
B
C
D
E
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Dimenze 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dimenze2
A
B
C
D
E
1
A B C D E
A 0.0 4.0 7.2 12.8 12.7
B 4.0 0.0 4.5 10.0 10.3
C 7.2 4.5 0.0 5.7 5.8
D 12.8 10.0 5.7 0.0 1.4
E 12.7 10.3 5.8 1.4 0.0
A B C D+E
A 0.0 4.0 7.2 12.8
B 4.0 0.0 4.5 10.3
C 7.2 4.5 0.0 5.8
D+E 12.8 10.3 5.8 0.0
→ vzdálenost A od shluku D+E je dána vzdáleností A od D, protože je větší než vzdálenost A od E
→ vzdálenost B od shluku D+E je dána vzdáleností B od E, protože je větší než vzdálenost B od D
→ vzdálenost C od shluku D+E je dána vzdáleností C od E, protože je větší než vzdálenost C od D
Koriťáková: Vícerozměrné metody - cvičení
Příklad 2
Bylo provedeno měření objemu hipokampu a mozkových komor (v cm3) u 5
pacientů se schizofrenií. Naměřené hodnoty objemu hipokampu a
mozkových komor byly zaznamenány do matice 𝐗 𝐷:
𝐗 𝐷 =
4,6 3,4
6,1 3,0
6,7 3,1
6,2 2,3
6,9 3,1
.
Určete podobnost pěti pacientů na základě naměřených charakteristik
pomocí hierarchické shlukové analýzy, použijte metodu nejbližšího a
nejvzdálenějšího souseda.
21
Koriťáková: Vícerozměrné metody - cvičení
Příklad 2 – asociační matice
Nejprve vypočteme matici vzdáleností
mezi objekty založenou na Euklidovské
vzdálenosti:
22
1 2 3 4 5
1 0,0 1,6 2,1 1,9 2,3
2 1,6 0,0 0,6 0,7 0,8
3 2,1 0,6 0,0 0,9 0,2
4 1,9 0,7 0,9 0,0 1,1
5 2,3 0,8 0,2 1,1 0,0
Pro snadnější představu postupu
výpočtu si jednotlivé objekty
vykreslíme do jednoduchého xy
grafu.
2
3
4
5
6
7
3 4 5 6 7 8
x1
x2
1
2
4
3 5
Koriťáková: Vícerozměrné metody - cvičení
2
3
4
5
6
7
3 4 5 6 7 8
x1
x2
1
2
4
3 5
Metoda nejbližšího souseda – krok 1
23
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
x1
x2
1
2
4
3 5
3
5
Euklidovská vzdálenost
Dendrogram
1 2 3 4 5
1 0,0 1,6 2,1 1,9 2,3
2 1,6 0,0 0,6 0,7 0,8
3 2,1 0,6 0,0 0,9 0,2
4 1,9 0,7 0,9 0,0 1,1
5 2,3 0,8 0,2 1,1 0,0
1 2 3+5 4
1 0,0 1,6 2,1 1,9
2 1,6 0,0 0,6 0,7
3+5 2,1 0,6 0,0 0,9
4 1,9 0,7 0,9 0,0
Koriťáková: Vícerozměrné metody - cvičení
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
x1
x2
1
2
4
3 5
3
5
Euklidovská vzdálenost
Dendrogram
Metoda nejbližšího souseda – krok 2
24
1 2 3+5 4
1 0,0 1,6 2,1 1,9
2 1,6 0,0 0,6 0,7
3+5 2,1 0,6 0,0 0,9
4 1,9 0,7 0,9 0,0
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
2
3
4
5
6
7
3 4 5 6 7 8
x1
x2
1
2
4
3
5
1 2+3+5 4
1 0,0 1,6 1,9
2+3+5 1,6 0,0 0,7
4 1,9 0,7 0,0
Koriťáková: Vícerozměrné metody - cvičení
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
2
3
4
5
6
7
3 4 5 6 7 8
x1
x2
1
2
4
3
5
Metoda nejbližšího souseda – krok 3
25
1 2+3+5 4
1 0,0 1,6 1,9
2+3+5 1,6 0,0 0,7
4 1,9 0,7 0,0
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
4
x1
x2
1
2
4
3
5
2
3
4
5
6
7
3 4 5 6 7 8
1 4+2+3+5
1 0,0 1,6
4+2+3+5 1,6 0,0
Koriťáková: Vícerozměrné metody - cvičení
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
4
x1
x2
1
2
4
3
5
2
3
4
5
6
7
3 4 5 6 7 8
Metoda nejbližšího souseda – krok 4
26
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
4
1
x1
x2
1 2
4
3
5
2
3
4
5
6
7
3 4 5 6 7 8
1 4+2+3+5
1 0,0 1,6
4+2+3+5 1,6 0,0
Koriťáková: Vícerozměrné metody - cvičení
2
3
4
5
6
7
3 4 5 6 7 8
x1
x2
1
2
4
3 5
Metoda nejvzdálenějšího souseda – krok 1
27
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
x1
x2
1
2
4
3 5
3
5
Euklidovská vzdálenost
Dendrogram
1 2 3 4 5
1 0,0 1,6 2,1 1,9 2,3
2 1,6 0,0 0,6 0,7 0,8
3 2,1 0,6 0,0 0,9 0,2
4 1,9 0,7 0,9 0,0 1,1
5 2,3 0,8 0,2 1,1 0,0
1 2 3+5 4
1 0,0 1,6 2,3 1,9
2 1,6 0,0 0,8 0,7
3+5 2,3 0,8 0,0 1,1
4 1,9 0,7 1,1 0,0
Koriťáková: Vícerozměrné metody - cvičení
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
x1
x2
1
2
4
3 5
3
5
Euklidovská vzdálenost
Dendrogram
Metoda nejvzdálenějšího souseda – krok 2
28
1 2 3+5 4
1 0,0 1,6 2,3 1,9
2 1,6 0,0 0,8 0,7
3+5 2,3 0,8 0,0 1,1
4 1,9 0,7 1,1 0,0
1 2+4 3+5
1 0,0 1,9 2,3
2+4 1,9 0,0 1,1
3+5 2,3 1,1 0,0
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda – krok 3
29
1 2+4 3+5
1 0,0 1,9 2,3
2+4 1,9 0,0 1,1
3+5 2,3 1,1 0,0
1 4+2+3+5
1 0,0 2,3
4+2+3+5 2,3 0,0
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
Koriťáková: Vícerozměrné metody - cvičení
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
Metoda nejvzdálenějšího souseda – krok 4
30
1 4+2+3+5
1 0,0 2,3
4+2+3+5 2,3 0,0
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
2
3
4
5
6
7
3 4 5 6 7 8
1
Koriťáková: Vícerozměrné metody - cvičení
Srovnání metody nejbližšího a nejvzdálenějšího souseda
31
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
2
3
4
5
6
7
3 4 5 6 7 8
1
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
4
1
x1
x2
1 2
4
3
5
2
3
4
5
6
7
3 4 5 6 7 8
Metoda nejbližšího souseda
Metoda nejvzdálenějšího souseda
→ metoda
nejbližšího souseda
má tendenci
vytvářet protáhlé
shluky
Koriťáková: Vícerozměrné metody - cvičení
Metoda nejvzdálenějšího souseda – doplnění
32
1 2+4 3+5
1 0,0 1,9 2,3
2+4 1,9 0,0 1,1
3+5 2,3 1,1 0,0
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
2
3
4
5
6
7
3 4 5 6 7 8
0 0.5 1 1.5 2 2.5 3
3
5
Euklidovská vzdálenost
Dendrogram
2
x1
x2
1
2
4
3
5 4
1 4+2+3+5
1 0,0 2,3
4+2+3+5 2,3 0,0
→ došlo ke spojení shluku
2+4 a 3+5 na vzdálenosti
1,1, což je vzdálenost
subjektu 4 a subjektu 5,
protože tato vzdálenost je
ze všech vzdáleností 4→5,
2→5, 4→3, 2→3 největší
Koriťáková: Vícerozměrné metody - cvičení
Příklad 3
Ve studii byl u 6 osob
zjišťován systolický tlak
a hladina celkového
cholesterolu v krvi:
33
Pac
Systolický
tlak
(mmHg)
Celkový
cholesterol
(mmol/l)
A 165 4,5
B 125 4,7
C 160 7,5
D 170 7,0
E 130 4,0
F 165 6,5
A B C D E F
A 0 40,00 5,83 5,59 35,00 2,00
B 40,00 0 35,11 45,06 5,05 40,04
C 5,83 35,11 0 10,01 30,20 5,10
D 5,59 45,06 10,01 0 40,11 5,02
E 35,00 5,05 30,20 40,11 0 35,09
F 2,00 40,04 5,10 5,02 35,09 0
A B C D E F
A 0 2,04 2,05 1,71 1,81 1,35
B 2,04 0 2,60 2,77 0,54 2,37
C 2,05 2,60 0 0,61 2,82 0,72
D 1,71 2,77 0,61 0 2,87 0,42
E 1,81 0,54 2,82 2,87 0 2,46
F 1,35 2,37 0,72 0,42 2,46 0
Vztahy mezi pacienty jsou vyjádřeny následujícími
asociačními maticemi:
A) Asociační matice počítaná
na původních datech
B) Asociační matice počítaná
na standardizovaných datech
1. Výše uvedené asociační matice vyjadřují podobnost nebo vzdálenost?
2. Jakou z uvedených asociačních matic byste pro shlukování použili a proč?
3. Pokud bychom chtěli rozdělit osoby do několika shluků jednoho řádu, jakou
metodu bychom použili?
4. Pokud bychom chtěli rozdělit osoby do několika skupin s podskupinami nižších
řádů tak, že vzdálenost mezi shluky bude minimální vzdáleností mezi zástupci,
jakou metodu bychom použili?
Koriťáková: Vícerozměrné metody - cvičení
Doplnění - co se stane, když jsou v datech stejné vzdálenosti
34
Koriťáková: Vícerozměrné metody - cvičení
Výpočet shlukové analýzy
v softwarech
35
Koriťáková: Vícerozměrné metody - cvičení
STATISTICA – hierarchické aglomerativní shlukování
• Statistics – Mult/Exploratory – Cluster – Joining (tree clustering) – OK – přepnout
se na záložku Advanced
• Variables: výběr proměnných (např. objem hipokampu, amygdaly a pallida)
• Cluster: zvolit, zda chceme shlukovat proměnné (Variables (columns)) či subjekty
(Cases (rows))
• Amalgamation (linkage) rule = volba shlukovacího algoritmu:
– Single Linkage – metoda nejbližšího souseda
– Complete Linkage – metoda nejvzdálenějšího souseda
– Unweighted pair-group average – metoda průměrné vazby (nevážená)
– Weighted pair-group average – metoda průměrné vazby (vážená)
– Unweighted pair-group centroid – centroidová metoda (nevážená)
– Weighted pair-group centroid (median) – centroidová metoda (vážená) = mediánová
metoda
– Ward’s method – Wardova metoda
• Distance measure = volba metrik vzdáleností objektů (subjektů):
– Squared Euclidean distances – čtverec Euklidovy vzdálenosti
– Euclidean distances – Euklidova metrika
– City-block (Manhattan) distances – Hammingova (manhattanská) metrika
– Chebychev distance metric – Čebyševova metrika
– Power: SUM(ABS(x-y)**p)**1/r – pokud r=p, jde o Minkovského metriku
– Percent disagreement
– 1-Pearson r – jedna mínus Pearsonův korelační koeficient
36
Koriťáková: Vícerozměrné metody - cvičení
STATISTICA – hierarch. aglom. shluk. – pokračování
37
asociační matice Euklidových vzdáleností
Koriťáková: Vícerozměrné metody - cvičení
STATISTICA – nehierarchické shlukování
• Statistics – Mult/Exploratory – Cluster – K-means clustering – OK – přepnout
se na záložku Advanced
• Variables: výběr proměnných (např. objem hipokampu, amygdaly a pallida)
• Cluster: zvolit, zda chceme shlukovat proměnné (Variables (columns)) či
subjekty (Cases (rows))
• Number of clusters: zvolit počet shluků (např. 3)
• Number of iterations: volba počtu iterací (metoda k-průměrů je iterativní
metoda)
• Initial cluster centers: volba počátečních středů shluků
38
• příslušnost jednotlivých subjektů do shluků nalezneme na záložce Advanced
v „Members of each cluster & distances“
Koriťáková: Vícerozměrné metody - cvičení
SPSS – hierarchické aglomerativní shlukování
• Analyze – Classify – Hierarchical Cluster...
• Cluster: zvolit, zda chceme shlukovat proměnné (Variables) či subjekty (Cases)
• Statistics...: zatrhnout Proximity matrix (= asociační matice vzdáleností či podobností)
• Plots...: zatrhnout Dendrogram (možnost volby Vertical či Horizontal)
• Method...:
– Cluster Method = volba shlukovacího algoritmu:
‐ Between-groups linkage – metoda průměrné vazby mezi skupinami
‐ Within-groups linkage – metoda průměrné vazby uvnitř skupin
‐ Nearest neighbor – metoda nejbližšího souseda
‐ Furthest neighbor – metoda nejvzdálenějšího souseda
‐ Centroid clustering – centroidová metoda (nevážená)
‐ Median clustering – centroidová metoda (vážená) = mediánová metoda
‐ Ward’s method – Wardova metoda
– Distance measure: volba metrik vzdáleností objektů (subjektů):
‐ Euclidean distance – Euklidova metrika
‐ Squared Euclidean distance – čtverec Euklidovy vzdálenosti
‐ Cosine – kosinová metrika
‐ Pearson correlation – Pearsonův korelační koeficient
‐ Chebychev – Čebyševova metrika
‐ Block – Hammingova (manhattanská) metrika
‐ Minkowski – Minkovského metrika
‐ Customized – výpočet pomocí SUM(ABS(x-y)**p)**1/r
– Transform Values, Transform Measure – je možno transformovat původní data nebo
vypočtené vzdálenosti
• Pozor! Při vykreslování dendrogramu SPSS nezachovává původní vzdálenosti, ale přeškálovává
je na škálu od 0 do 25!!!
39
Koriťáková: Vícerozměrné metody - cvičení
SPSS – nehierarchické shlukování
• Analyze – Classify – K-Means Cluster...
• Variables: výběr proměnných (např. objem hipokampu, amygdaly a pallida)
• Number of clusters: zvolit počet shluků (např. 3)
• Method: přepnout na „Classify only“ v případě, že známe středy shluků, které
můžeme načíst pomocí „Read initial“
• Iterate... – Maximum Iterations (volba počtu iterací – metoda k-průměrů je
iterativní metoda)
• Options... – zatrhnout „Cluster information for each case“, abychom získali
tabulku, do kterého shluku patří který subjekt
40
Koriťáková: Vícerozměrné metody - cvičení
Software R – hierarchické aglomerativní shlukování
• funkce dist na výpočet vzdáleností objektů (či subjektů) :
– „euclidean“ – Euklidovska metrika
– „maximum“ – Čebyševova metrika
– „manhattan“ – Hammingova (manhattanská) metrika
– „canberra“ – Canberrská metrika
– „minkowski“ – Minkovského metrika
41
• funkce hclust na výpočet shlukové analýzy:
– „ward.D“ a „ward.D2“ – dva algoritmy pro Wardovu metodu
– „single“ – metoda nejbližšího souseda (single linkage)
– „complete“ – metoda nejvzdálenějšího souseda (complete linkage)
– „average“ – metoda průměrné vazby (nevážená) (average linkage)
– „mcquitty“ – metoda průměrné vazby (vážená)
– „median“ – centroidová metoda (vážená) = mediánová metoda
– „centroid“ – centroidová metoda (nevážená)
• podrobná ukázka v souboru Shlukovky_skript.R
Koriťáková: Vícerozměrné metody - cvičení
Software R – nehierarchické shlukování
• funkce kmeans
• ukázka:
cl <- kmeans(data.vyber, 3) # provedeni shlukove analyzy
table(cl$cluster,groupCodes) # zjisteni, kolik subjektu bylo spatne zarazenych
42
Koriťáková: Vícerozměrné metody - cvičení 43
Matlab – výpočet vzdáleností
Funkce:
• pdist (vzdálenost mezi páry objektů matice X či páry proměnných matice XT)
• pdist2 (vzdálenost mezi maticemi X a Y)
Výběr metrik vzdáleností u obou těchto funkcí:
• ‘euclidean’ – Euklidova metrika vzdálenosti
• ‘squaredeuclidean’ – čtverec Euklidovy metriky vzdálenosti
• ‘seuclidean’ – standardizovaná Euklidova metrika vzdálenosti
• ‘cityblock’ – Hammingova (manhattanská) metrika vzdálenosti
• ‘minkowski’ – Minkovského metrika vzdálenosti
• ‘chebychev’ – Čebyševova metrika vzdálenosti
• ‘mahalanobis’ – Mahalanobisova metrika vzdálenosti
• ‘cosine’ – 1 mínus kosinová podobnost
• ‘correlation’ – 1 mínus Pearsonův korelační koeficient
• ‘spearman’ – 1 mínus Spearmanův korelační koeficient
• ‘hamming’ – Hamminova vzdálenost (pro kvalitativní proměnné)
• ‘jaccard’ – 1 mínus Jaccardův koeficient
• lze případně nadefinovat i jinou metriku
Koriťáková: Vícerozměrné metody - cvičení
Matlab – hierarchické aglomerativní shlukování
[num, txt] = xlsread('Data_neuro_shlukovky.xlsx',1);
data=num(:,[23,24,26]);
Z=linkage(data,'complete','euclidean'); % provedeni shlukove analyzy
dendrogram(Z) % vykresleni dendrogramu
c=cluster(Z,'maxclust',3); % vytvoreni definovaneho poctu shluku
crosstab(c,num(:,3)) % zjisteni, kolik subjektu bylo spatne zarazenych
44
• volba shlukovacího algoritmu:
– „average“ – metoda průměrné vazby (nevážená) (average linkage)
– „centroid“ – centroidová metoda (nevážená)
– „complete“ – metoda nejvzdálenějšího souseda (complete linkage)
– „median“ – centroidová metoda (vážená) = mediánová metoda
– „single“ – metoda nejbližšího souseda (single linkage)
– „ward“ – Wardova metoda
– „weighted“ – metoda průměrné vazby (vážená)
• funkce linkage, která umožňuje volbu shlukovacího algoritmu i volbu
metriky vzdálenosti mezi objekty (subjekty)
• volba metriky vzdáleností – stejná nabídka jako u funkce pdist
• ukázka:
Koriťáková: Vícerozměrné metody - cvičení
Matlab – nehierarchické shlukování
45
• funkce kmeans
• ukázka:
[idx,C]=kmeans(data,3); % provedeni shlukove analyzy (matice C – centroidy skupin)
crosstab(idx,num(:,3)) % zjisteni, kolik subjektu bylo spatne zarazenych
• funkce kmedoids
• bohužel není ve starých verzích Matlabu
• ukázka:
[idx,C]=kmedoids(data,3); % provedeni shlukove analyzy (matice C – medoidy skupin)
crosstab(idx,num(:,3)) % zjisteni, kolik subjektu bylo spatne zarazenych