CE 7 Análise de clusters
Transcrição
CE 7 Análise de clusters
ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 7 Análise de Clusters 16-05-11 7.1 7.1 (A1) Considere a seguinte matriz de distâncias : 1 2 3 4 1 2 3 4 0 1 0 5 2 0 6 3 4 0 Determine os clusters para estes 4 objectos assumindo: a) Um modelo hierárquico "single linkage". b) Um modelo hierárquico "complete linkage". c) Um modelo hierárquico "average linkage". d) Desenhe os dendrogramas e compare os resultados dos três modelos. 7.2. (T) Considere agora a matriz de distâncias: 1 2 3 4 5 1 0 2 4 3 6 4 2 5 6 0 9 0 7 10 0 3 5 8 0 Repita as alíneas a) a d) do exercício anterior. 7.3. (A1) Uma amostra para as cotações das acções de 5 empresas transaccionadas na NYSE permitiu calcular a seguinte matriz de correlações entre as cotações dos títulos (arredondadas a 2 casas decimais): Allied Union Du Pont Exxon Chemical Carbide Allied Chemical Du Pont Union Carbide Exxon Texaco Usando as correlações como 1 .58 .51 .39 .46 medida de Texaco 1 .60 1 .39 .44 1 .32 .43 .52 1 semelhança entre os títulos construa os clusters das acções usando os modelos de "single linkage" e "complete linkage". 16-05-11 7.2 7.4. (A1) Para quatro indivíduos (A … D) foram medidas as variáveis X1 e X2 obtendo-se: Indiv. A B C D X1 5 1 -1 3 X2 4 -2 1 1 Use o algoritmo das K-médias para dividir os indivíduos em K=2 grupos. a) Comece com os grupos (AB) e (CD). b) Repita começando com os grupos (AC) e (BD). 7.5. (A2) O quadro seguinte apresenta dados sobre 43 marcas comerciais de cereais de pequeno almoço para os quais se mediram 9 variáveis (dispõe destes dados no ficheiro CEREAIS.SAV) X1 - Fabricante X2 - teor de calorias X3 - " proteínas X4 - " gordura X5 - " sódio X6 - " fibras X7 - " hidratos de carbono X8 - " açúcar X9 - " potássi0 Utilize o SPSS para a) Calcular a distância euclideana entre cada par de marcas de cereais. b) Utilizando essas distâncias agrupar as marcas de cereais usando os métodos de "single linkage" e "complete linkage". Compare os dendrogramas. c) Utilize os algoritmo das K-médias para agrupar as marcas de cereais. Use K=2 , 3 e 4 e compare os resultados. 16-05-11 7.3 Marca X1 ACCheerios G Cheerios G CocoaPuffs G CountChocula G GoldenGrahams G HoneyNutCheerios G Kix G LuckyCharms G MultiGrainCheerios G OatmealRaisinCrisp G RaisinNutBran G TotalCornFlakes G TotalRaisinBran G TotalWholeGrain G Trix G Cheaties G WheatiesHoneyGold G AllBran K AppleJacks K CornFlakes K CornPops K CracklinOatBran K Crispix K FrootLoops K FrostedFlakes K FrostedMiniWheats K FruitfulBran K JustRightCrunchyNuggets K MueslixCrispyBlend K NutNHoneyCrunch K NutriGrainAlmondRaisin K NutriGrainWheat K Product19 K RaisinBran K RiceKrispies K Smacks K SpecialK K CapNCrunch Q HoneyGrahamOhs Q Life Q PuffedRice Q PuffedWheat Q QuakerOatmeal Q 16-05-11 X2 X3 110 2 110 6 110 1 110 1 110 1 110 3 110 2 110 2 100 2 130 3 100 3 110 2 140 3 100 3 110 1 100 3 110 2 70 4 110 2 100 2 110 1 110 3 110 2 110 2 110 1 100 3 120 3 110 2 160 3 120 2 140 3 90 3 100 3 120 3 110 2 110 2 110 6 120 1 120 1 100 4 50 1 50 2 100 5 X4 2 2 1 1 1 1 1 1 1 2 2 1 1 1 1 1 1 1 0 0 0 3 0 1 0 0 0 1 2 1 2 0 0 1 0 1 0 2 2 2 0 0 2 X5 180 290 180 180 280 250 260 180 220 170 140 200 190 200 140 200 200 260 125 290 90 140 220 125 200 0 240 170 150 190 220 170 320 210 290 70 230 220 220 150 0 0 0 X6 1.5 2 0 0 0 1.5 0 0 2 1.5 2.5 0 4 3 0 3 1 9 1 1 1 4 1 1 1 3 5 1 3 0 3 3 1 5 0 1 1 0 1 2 0 1 2.7 X7 10.5 17 12 12 15 11.5 21 12 15 13.5 10.5 21 15 16 13 17 16 7 11 21 13 10 21 11 14 14 14 17 17 15 21 18 20 14 22 9 16 12 12 12 13 10 1 X8 10 1 13 13 9 10 3 12 6 10 8 3 14 3 12 3 8 5 14 2 12 7 3 13 11 7 12 6 13 9 7 2 3 12 3 15 3 12 11 6 0 0 1 X9 70 105 55 65 45 90 40 55 90 120 140 35 230 110 25 110 60 320 30 35 20 160 30 30 25 100 190 60 160 40 130 90 45 240 35 40 55 35 45 95 15 50 110 7.4 7.6. (A2) (do teste de frequência de 24.JUN.2000) Um colega seu está apostado em fazer o trabalho de Estatística Multivariada a partir dos dados disponíveis numa base com a caracterização dos hotéis portugueses (aliás, já sua conhecida!). Como simpatizou muito com as técnicas de Análise de Clusters, decidiu-se por aplicá-las por forma a agrupar os hotéis mais semelhantes. Para ensaiar a utilização da técnica, começou por construir um quadro com apenas cinco hotéis e dez variáveis binárias que assinalam a presença (1) ou ausência (0) de algumas facilidades: 1 2 3 4 5 nome cidade Hotel do Elevador 1 Hotel Ofir 0 Hotel Horus 1 Hotel Vermar 0 GaiaHotel 0 snack restaura conferen cofrquar piscina 0 1 1 1 0 1 1 0 1 1 0 1 1 1 1 0 1 1 1 0 0 1 1 1 0 ginásio cabeleir ténis garagem 0 0 1 1 1 0 1 1 0 1 0 1 1 1 0 0 0 1 1 1 Como aprendeu que uma análise de clusters começa sempre pelo cálculo de uma matriz de dissemelhanças (ou distâncias) entre as observações consideradas, o seu colega decidiu calcular uma. Como é estudioso sabe que, porque as variáveis são binárias, não deve usar os conceitos de distância mais habitualmente usados e porque gosta de inovar, propõe a utilização da medida de dissemelhança de Lance e Williams (também conhecida por coeficiente não métrico de Bray-Curtis) dada por (b+c)/(2a+b+c), onde a representa o número de atributos presentes em ambos os casos e b e c representam o os números de atributos presentes num dos casos e ausentes no outro. a) Compare este conceito com os apresentados na aula para variáveis binárias, diga entre que valores pode variar, qual o significado dos extremos e que argumentos podem justificar a sua adopção. b) Usando o SPSS o seu colega obteve a seguinte matriz de dissemelhanças: Proximi ty Matri x 1:Hotel do Elev ador 1:Hotel do Elev ador 2:Hotel Of ir 3:Hotel Horus 4:Hotel Vermar 5:GaiaHotel .778 .818 .800 .714 Binary Lance-and-Williams Nonmet ric Measure 4:Hotel 2:Hotel Of ir 3:Hotel Horus Vermar 5:GaiaHotel .778 .818 .800 .714 .250 .200 .500 .250 .176 .429 .200 .176 .385 .500 .429 .385 This is a dissimilarity matrix A partir desta matriz construa o dendograma para uma aglomeração hierárquica simples (nearest neighbor). 16-05-11 7.5 7.7. (A2) (usando os dados do teste de freq. de 27.JAN.2004) O ficheiro Ex7-7.xls apresenta os dados do consumo médio de proteínas em diversos tipos de alimentos para 25 países europeus (São dados de 1973 citados em Manly, 1994). Os valores são consumos médios diários em gr. por pessoa e as variáveis referem-se a nove grupos de alimentos: redmeat whitemea eggs milk fish cereals starchyf pulsenut fruveget - carnes vermelhas; - carnes brancas; - ovos; - leite; - peixe; - cereias; - féculas (batata e outras) - leguminosas e oleaginosas; - frutas e vegetais. Pretende-se agora agrupar os países com hábitos alimentares semelhantes (no que toca a quantidades e fontes de proteínas) recorrendo à Análise de Clusters. a) Faz sentido a utilização desta técnica? b) Proponha um conceito de distância e um método de agregação e use o SPSS para constituir os grupos. 7.8. (T) (do teste de frequência de 6.JAN.2006) Um colega seu está a experimentar a utilização da Análise de Clusters. Trabalhando com o conjunto de dados no Quadro 7.8.1, obteve o output do SPSS para a utilização dum método hierárquico de clustering que consta abaixo. Indivíduo X1 X2 X3 X4 X5 A 3.0 4.0 2.5 1.5 5.0 B 2.0 5.0 1.5 2.0 1.5 C 4.5 3.5 4.0 3.0 2.5 D 4.0 2.5 1.5 3.5 4.0 E 2.0 3.0 2.0 1.5 2.0 F 1.0 2.5 4.0 2.0 4.5 Quadro 7.8.1 a) Diga, justificando, qual o método hierárquico utilizado. b) Complete o aglomeration schedule e acrescente ao dendrograma uma escala para as distâncias apropriada ao problema. c) Como ficam divididas as observações se decidir formar dois clusters? Trata-se duma solução possível no caso de utilizar o algoritmo das K-médias (com k=2)? OUTPUT: 16-05-11 7.6 Proximity Matrix Squared Euclidean Distance Case 1 1 2 3 ,00 15,50 13,25 ... 11,25 9,00 2 15,50 ,00 16,75 18,75 4,75 22,50 3 13,25 16,75 ,00 10,00 13,00 18,25 4 ... 18,75 10,00 ,00 12,50 17,75 5 11,25 4,75 13,00 12,50 ,00 11,75 9,00 22,50 This is a dissimilarity matrix 18,25 17,75 11,75 ,00 6 4 5 6 Agglomeration Schedule Stage Cluster First Appears Cluster Combined Stage 1 Cluster 1 2 Cluster 2 5 Coefficients 4,750 Cluster 1 0 Cluster 2 0 Next Stage 5 2 1 6 9,000 0 0 3 3 1 4 9,250 2 0 4 4 ... ... ... ... ... ... 5 ... ... ... ... ... ... * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * Dendrogram using .............. Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+ 2 5 1 6 4 3 16-05-11 7.7 7.9. (Do exame de 26.JUN.2007) No Quadro 7.9.1 tem as notas de três testes e da prova final numa disciplina da nossa Universidade. Utilizou-se esta informação para fazer uma análise de clusters dos alunos considerando, primeiro a "block distance" (isto é distância de Minkovski com m=1) e depois a distância euclideana. Os resultados obtidos para o método hierárquico com ligações médias apresentam-se no Output 7.9.2. a) Compare os resultados, referindo-se especialmente aos objectivos do clustering no que toca à variabilidade intra e inter clusters. (Seja sucinto na resposta.) b) Repare agora que, nesta análise, os trabalhos (que são de grupo) têm um peso tão grande que quase se podem identificar os grupos de trabalho nos dendogramas. Um seu colega sugeriu então que se padronizassem as variáveis. Outro sugeriu que se fizesse o clustering com base na nota de fim de semestre. Que comentários lhe merecem estas sugestões? c) Eu preferi construir uma nova variável, que é a média aritmética das notas dos três trabalhos. Fiz então o clustering usando esta média e a nota do teste de frequência. O resultado desta minha análise apresenta-se no Output 7.9.3. Que comentários lhe suscita? 16-05-11 7.8 Quadro 7.9.1 Aluno 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 T1 16,0 16,0 15,0 16,0 16,0 16,0 16,0 16,0 16,0 16,0 15,0 16,0 16,0 16,0 16,0 16,0 16,0 16,0 16,0 16,0 15,0 17,0 17,0 17,0 17,0 17,0 13,0 17,0 13,0 13,0 17,0 13,0 T2 14,0 17,0 14,0 17,0 17,0 17,0 17,0 17,0 17,0 17,0 14,0 14,0 16,0 16,0 16,0 14,0 14,0 17,0 16,0 14,0 14,0 17,0 17,0 17,0 17,0 17,0 14,0 17,0 14,0 14,0 17,0 14,0 T3 16,0 19,0 15,0 19,0 15,0 19,0 15,0 19,0 15,0 15,0 15,0 16,0 15,5 15,5 15,5 16,0 16,0 19,0 15,5 16,0 15,0 17,0 18,0 17,0 18,0 18,0 15,0 18,0 15,0 15,0 17,0 15,0 F 12,6 7,5 11,0 13,0 14,3 12,8 8,3 11,8 13,3 6,0 8,8 12,6 9,5 9,0 13,7 5,7 13,5 11,5 8,4 11,5 12,3 12,5 15,5 18,0 16,5 9,3 11,0 11,5 9,5 11,0 12,3 8,5 Quadro 7.9.1 16-05-11 7.9 Output 7.9.2 (1/4) Clustering c/ "block distance" Agglomeration Schedule Cluster Combined Stage Coefficients Cluster 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 16-05-11 27 1 22 8 4 13 1 13 29 23 5 3 4 1 22 27 5 7 3 23 4 3 2 7 1 2 7 1 2 1 1 Cluster 2 30 12 31 18 6 14 17 19 32 25 9 21 8 20 28 29 15 13 11 24 22 27 26 10 5 4 16 3 23 7 2 Stage Cluster First Appears Cluster 2 .000 5.000E-02 .250 .250 .250 .500 .925 .930 1.000 1.000 1.000 1.250 1.250 1.383 1.875 2.000 2.000 2.210 2.875 3.000 3.333 3.542 3.750 3.908 4.737 5.089 5.614 6.723 6.852 7.215 9.553 0 0 0 0 0 0 2 6 0 0 0 0 5 7 3 1 11 0 12 10 13 19 0 18 14 23 24 25 26 28 30 Next Stage Cluster 1 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 9 0 8 0 0 15 16 0 0 17 21 0 22 20 27 29 16 7 15 13 13 8 14 18 16 20 17 19 21 25 21 22 25 24 22 29 26 28 26 27 28 29 30 30 31 31 0 7.10 Output 7.9.2 (2/4) * * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num 0 5 10 15 20 25 +---------+---------+---------+---------+---------+ 27 30 29 32 3 21 11 1 12 17 20 5 9 15 13 14 19 7 10 16 23 25 24 8 18 4 6 22 31 28 2 26 -+---------+ -+ +-------+ -----+-----+ I -----+ +---------------+ -------+-------+ I I -------+ +---+ I ---------------+ +-+ -+---+ I I -+ +-+ I I -----+ +-----------------+ I I -------+ +---------+ I -----+-----+ I I -----+ +-------------+ +-----------+ -----------+ I I ---+-+ I I ---+ +-----+ I I -----+ +---------+ I I -----------+ +-------+ I I ---------------------+ +-------+ I -----------------------------+ I -----+---------+ I -----+ +-------------------+ I ---------------+ I I -+-----+ I I -+ +---------+ +-------------+ -+-----+ I I -+ +---------+ I -+-------+ I I I -+ +-------+ +-------+ ---------+ I -------------------+-------+ -------------------+ 16-05-11 7.11 Output 7.9.2 (3/4) Clustering c/ distância euclideana Agglomeration Schedule Stage Cluster First Appears Cluster Combined Stage 1 16-05-11 Cluster 1 27 Cluster 2 30 Coefficients .000 Cluster 2 0 Cluster 1 0 Next Stage 19 2 1 12 5.000E-02 0 0 8 3 22 31 .250 0 0 15 4 8 18 .250 0 0 14 5 4 6 .250 0 0 14 6 13 14 .500 0 0 7 7 13 19 .901 6 0 17 8 1 17 .925 2 0 16 9 29 32 1.000 0 0 19 10 23 25 1.000 0 0 21 11 5 9 1.000 0 0 12 12 5 15 1.226 11 0 25 13 3 21 1.250 0 0 18 14 4 8 1.250 5 4 20 15 22 28 1.332 3 0 20 16 1 20 1.383 8 0 18 17 7 13 1.387 0 7 24 18 1 3 1.875 16 13 25 19 27 29 2.000 1 9 23 20 4 22 2.121 14 15 28 21 23 24 2.248 10 0 30 22 2 26 2.250 0 0 26 23 11 27 2.543 0 19 29 24 7 10 2.934 17 0 26 25 1 5 3.298 18 12 28 26 2 7 3.674 22 24 27 27 2 16 4.082 26 0 29 28 1 4 4.100 25 20 30 29 2 11 4.715 27 23 31 30 1 23 5.081 28 21 31 31 1 2 5.884 30 29 0 7.12 Output 7.9.2 (4/4) * * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num 0 5 10 15 20 25 +---------+---------+---------+---------+---------+ 27 30 29 32 11 2 26 13 14 19 7 10 16 23 25 24 8 18 4 6 22 31 28 5 9 15 3 21 1 12 17 20 -+---------------+ -+ +---+ ---------+-------+ +-------------------+ ---------+ I I ---------------------+ I -------------------+-----------+ +-------+ -------------------+ I I I -----+-+ +---+ I I -----+ +---+ I I I I -------+ +-------------+ I +-----+ I -----------+ +-----+ I I -------------------------+ I I -----------------------------------+ I ---------+---------+ I ---------+ +-----------------------+ I -------------------+ I I ---+-------+ I I ---+ +-------+ I I ---+-------+ I +-----+ ---+ +---------------+ I ---+-------+ I I I ---+ +-------+ I I -----------+ +-------+ ---------+-+ I ---------+ +-----------------+ I -----------+ I I -----------+---+ +-----+ -----------+ I I -+-----+ +-------------+ -+ +---+ I -------+ +---+ -----------+ 16-05-11 7.13 Output 7.9.3 (1/2) Agglomeration Schedule Cluster Combined Stage Coefficients Cluster 1 16-05-11 Cluster 2 1 27 30 2 18 3 1 4 5 6 8 7 8 Stage Cluster First Appears Cluster 2 Next Stage Cluster 1 .000 0 0 12 28 .000 0 0 6 12 5.000E-02 0 0 15 7 19 .186 0 0 17 22 31 .250 0 0 10 18 .250 0 2 21 4 6 .250 0 0 10 9 15 .480 0 0 11 9 13 14 .500 0 0 17 10 4 22 .610 7 5 21 11 9 17 .625 8 0 16 12 3 27 .667 0 1 23 13 11 32 .712 0 0 19 14 10 16 .731 0 0 29 15 1 21 .742 3 0 20 16 5 9 .859 0 11 26 17 7 13 .957 4 9 22 18 23 25 1.000 0 0 25 19 11 29 1.002 13 0 27 20 1 20 1.051 15 0 23 21 4 8 1.077 10 6 26 22 7 26 1.612 17 0 24 23 1 3 1.620 20 12 28 24 2 7 1.923 0 22 27 25 23 24 2.029 18 0 31 26 4 5 2.149 21 16 28 27 2 11 2.286 24 19 29 28 1 4 2.518 23 26 30 29 2 10 3.136 27 14 30 30 1 2 4.459 28 29 31 31 1 23 6.192 30 25 0 7.14 Output 7.9.3 (2/2) * * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num 0 5 10 15 20 25 +---------+---------+---------+---------+---------+ 27 30 3 1 12 21 20 9 15 17 5 18 28 8 22 31 4 6 10 16 11 32 29 7 19 13 14 26 2 23 25 24 -+---+ -+ +-------+ -----+ I -+---+ +-------+ -+ +---+ I I -----+ +---+ I ---------+ I ---+-+ +---------------+ ---+ +-+ I I -----+ +---------+ I I -------+ I I I -+-+ +---+ I -+ +-----+ I I ---+ +-------+ +-----------+ ---+-+ I I I ---+ +---+ I I ---+-+ I I ---+ I I -----+-------------------+ I I -----+ I I I -----+---+ +-----------+ I -----+ +---------+ I I ---------+ I I I -+-----+ +-----+ I -+ +-----+ I I -----+-+ +-+ I I -----+ I +---+ I -------------+ I I ---------------+ I ---------+-------+ I ---------+ +-------------------------------+ -----------------+ 16-05-11 7.15