Herramienta Diagnóstico de centroides k

La herramienta Diagnóstico de centroides k está diseñada para permitir al usuario hacer una evaluación del número apropiado de clústeres a especificar dados los datos y el algoritmo de clústeres seleccionado (medias K, medianas K o gas neural). La herramienta es gráfica y se basa en el cálculo de dos estadísticas diferentes sobre muestras replicadas de bootstrap de los datos originales para un rango de soluciones de agrupamiento en clústeres que difieren en la cantidad de agrupamientos en clústeres especificados. La motivación detrás de este enfoque es que si los registros en una base de datos realmente se incluyen en un conjunto de clústeres estables, entonces debería darse el caso de que un conjunto de diferentes muestras aleatorias de esos registros dé como resultado aproximadamente el conjunto de clústeres a lo largo de las réplicas de bootstrap, excepto por pequeñas diferencias que se deben tanto a la variabilidad de la muestra aleatoria como a la aleatoriedad inducida por el método utilizado para generar el conjunto inicial de centroides, mediante la selección de puntos K al azar, en el algoritmo de centroides K general. Las dos medidas examinadas son el índice Rand ajustado y el índice Calinski-Harabasz (también conocido como el criterio de la relación de varianza y la estadística pseudo-F).

El índice Rand ajustado proporciona una medida de similitud entre dos soluciones de agrupación en clústeres diferentes, tomando un valor máximo de una cuando las dos soluciones se superponen perfectamente*. El índice se puede utilizar para determinar la reproducibilidad relativa y absoluta de una solución de agrupación en clústeres comparando pares de soluciones, donde cada par se basa en una muestra diferente de datos de clientes. Cuanto mayor sea la superposición entre pares de soluciones, mayor será la reproducibilidad de la estructura del clúster.

El índice de Calinski-Harabasz se basa en la comparación de la relación ponderada entre la suma de grupos de cuadrados (la medida de la separación de clústeres) y la suma de clústeres dentro de los cuadrados (la medida de cuán apretados están los puntos dentro de un clúster). Idealmente, los clústeres deberían estar bien separados, por lo que el valor de la suma de cuadrados entre clústeres debería ser grande, pero los puntos dentro de un clúster deberían estar lo más cerca posible entre sí, lo que resultaría en valores más pequeños de la medida de suma de cuadrados dentro del clúster. Dado que el índice de Calinski-Harabasz es una relación, con la suma de los cuadrados entre el clúster en el numerador y la suma de los cuadrados dentro del clúster en el denominador, las soluciones de clúster con valores más grandes del índice corresponden a soluciones “mejores” que las soluciones de clúster con valores más pequeños.

El resultado de la herramienta es información sobre la distribución de las dos estadísticas para diferentes números de clústeres a través de las réplicas de bootstrap. La información se transmite a través de dos diagramas de caja y bigotes (uno para el índice Rand ajustado y para el índice Calinski-Harabasz) y estadísticas de resumen para las dos medidas. El número preferido de clústeres basados en cada medida corresponde a uno con la media y mediana más altas de las soluciones comparadas. Además, se busca que la dispersión en las estadísticas calculadas a través de las réplicas de bootstrap no sea demasiado grande.

Esta herramienta puede ser computacionalmente intensiva. La intensidad depende del número de registros utilizados en el cálculo (que se puede alterar mediante el uso de la opción Expresión de subconjuntos), el número de diferentes soluciones de agrupamiento en clústeres examinadas (determinado por el rango entre el número mínimo y máximo de clústeres), el número de réplicas de bootstrap y el número de diferentes semillas iniciales utilizadas para cada solución de clúster (el número de opción de propagaciones iniciales). Reducir la cantidad de réplicas de bootstrap a utilizar redujo en gran medida la cantidad de tiempo de computación necesario, pero a un gran costo de precisión. Para el análisis real, se recomienda que el usuario nunca use menos de 100 réplicas de bootstrap, y utilice más si es posible.

Esta herramienta utiliza la herramienta R. Ve a Opciones > Descargar herramientas predictivas e inicia sesión en el portal de descargas y licencias de Alteryx para instalar R y los paquetes utilizados por la herramienta R. Consulta Descargar y usar herramientas predictivas.