inst/help/mlClusteringRandomForest_nl.md

In jasp-stats/jaspMachineLearning: Machine Learning Module for JASP

Random Forest Clustering

Random Forest clustering is een hard clusteringsalgoritme dat data opdeelt in meerdere clusters, waar elke observatie tot één groep behoort. Dit clusteringsmethode gebruikt het Random Forest algoritme op een unsupervised manier, met de uitkomstvariabele 'y' gelijk aan NULL. Het Random Forest algoritme genereert een nabijheidsmatrix die een schatting van de afstand tussen observaties geeft gebaseerd op het aantal observaties wat eindigt in dezelfde bladknoop.

Assumpties

• De data bestaat uit continue variabelen.
• (Normaal verdeelde data helpt het clusteringsproces).

Invoer

Invoerveld

• Variabelen: In dit veld vult u de variabelen in die meegenomen dienen te worden in het clusteringsalgoritme.

Tabellen

• Clusterinformatie: Toont de grootte van elke cluster. Dit is de standaardoptie.
• Binnen kwadratensom: Toont de binnen kwadratensom van elk cluster. Dit is de standaardoptie.
• Silhouette score: Toont de silhouettescore van elke cluster.
• Tussen kwadratensom: Geeft de tussen kwadratensom van het clustermodel onder de clusterinformatie tabel.
• Totale kwadratensom: Geeft de totale kwadratensom van het clustermodel onder de clusterinformatie tabel.
• Variabele van belang: Laat het belang van de variabelen in afnemende volgorde zien. De Gini index berekent het belang als de som van het aantal splitsingen die een bepaalde variabele bevatten, proportioneel aan het aantal steekproeven die de variabele scheidt.

Grafieken

• Elleboogmethode: Genereert een grafiek met de totale binnen kwadratensom op de y-as en het aantal clusters op de x-as. De grafiek kan gebruikt worden om het optimale aantal clusters te bepalen. De grafiek laat 3 lijnen zien door AIC, BIC, en 'elleboogmethode' te optimaliseren.
• t-SNE clustergrafiek: Genereert een t-SNE grafiek van de clustering output. t-SNE grafieken worden gebruikt voor het visualiseren van hoog-dimensionale data in een laag-dimensionale ruimte van twee dimensies om de relatieve afstand tussen observaties te laten zien. De t-SNE twee-dimensionale ruimte maakt de assen oninterpreteerbaar. Een t-SNE grafiek geeft een indruk van de relatieve afstanden tussen observaties en clusters. Om dezelfde t-SNE grafiek nog een keer te maken voor meerdere clusteringanalyses, kunt u een toevalsgenerator beginwaarde gebruiken, aangezien het t-SNE algoritme willekeurige startpunten gebruikt.
• Legenda: Geeft een legenda met het clusternummer voor elke observatie. Dit is de standaardoptie.
• Labels: Geeft de clusteringlabels van de verschillende observaties.

Parameters Trainen

Algoritme Instellingen

• Bomen: Bepaal hoeveel bomen er gebruikt worden.
• Schaal kenmerken: Standaardiseert de continue kenmerken in de dataset. Standaardisatie zorgt ervoor dat waarden van kenmerken van verschillende schalen in een specifieke vergelijkbare schaal vallen. Standaardisatie zorgt daardoor voor numerieke stabiliteit. JASP gebruikt de Z-score standaardisatie van een gemiddelde van 0 en een standaardafwijking van 1. Deze optie is standaard geselecteerd.
• Gebruik toevalsgenerator beginwaarde: Geeft de mogelijkheid een toevalsgenerator beginwaarde te gebruiken voor uw analyse. Een toevalsgenerator beginwaarde gebruiken, zorgt ervoor dat willekeurige processen geen invloed hebben op een analyse. Bijvoorbeeld, een toevalsgenerator beginwaarde maakt het mogelijk de analyse opnieuw te doen met dezelfde gesplitste data.

Clusters Bepalen

• Vast: Stelt u in staat om een eigen gespecificeerd aantal clusters te gebruiken. Hiermee kunt u handmatig optimaliseren.
• Optimalisatie: Stelt u in staat om een optimalisatiemethode kiezen. De opties zijn AIC, BIC, en silhouette. De AIC gebruikt de binnen kwadratensom (within-cluster variatie), het aantal gegenereerde clusters en het aantal dimensies voor het optimaliseren van de clustering output. De BIC gebruikt de binnen kwadratensom (within-cluster variatie), het aantal gegenereerde clusters, het aantal dimensies, en de steekproefgrootte voor het optimaliseren van de clustering output. De silhouette waarde gebruikt de gelijkheid van de observaties binnen een cluster en de ongelijkheid aan andere clusters voor het optimaliseren van de clustering output. BIC optimalisatie is de standaardoptie.
• Max. clusters: Bepaalt het maximum aantal mogelijke clusters om te genereren. De standaardoptie is 10.

Voeg Voorspelde Klassen toe aan Data

Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificatie resultaat. Dit geeft u de mogelijkheid de gegenereerde klasselabels te inspecteren, classificeren, of voorspellen.

Uitvoer

Random Forest Clustering Model Table

• De eerste kolom geeft het aantal gegenereerde clusters.
• N: De steekproefgrootte.
• R2: Geeft de hoeveelheid verklaarde variantie door het model.
• AIC: De AIC waarde van het model. Lage waarden betekenen beter clusterende output.
• BIC: De BIC waarde van het model. Lage waarden betekenen beter clusterende output.
• Silhouette: De Silhouette waarde van het model. De Silhouette waarde spreiden van -1 tot 1, waar 1 een perfecte score is.

Random Forest Cluster Information

• Grootte: De grootte van elk cluster.
• Binnen kwadratensom: Toont de binnen kwadratensom van elk cluster. Dit is de standaardoptie.
• Silhouette score: Toont de silhouettescore van elke cluster.
• Variabele belang: Laat het belang van de variabelen in afnemende volgorde zien.
• Tussen kwadratensom: Geeft de tussen kwadratensom van het clustermodel onder de clusterinformatie tabel.
• Totale kwadratensom: Geeft de totale kwadratensom van het clustermodel onder de clusterinformatie tabel.

Evaluatiemetrieken Tabel

• Maximum diameter: De maximum cluster diameter in euclidische afstand.
• Minimum scheiding: De minimum cluster scheiding in euclidische afstand.
• Pearson's \u03B3: Correlatie tussen afstanden en een 0-1-vector waar 0 betekent dezelfde cluster, 1 betekent andere clusters.
• Dunn index: Minimum scheiding / maximum diameter.
• Entropie: Entropie van de distributie van clusterlidmaatschappen.
• Calinski-Harabasz index: Het variantie ratio criterium van de clusterlidmaatschappen.

Referenties

• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. Springer New York.
• Breiman, Leo. (2001). Random forests. Machine Learning. Springer, 45(1), 5-32
• Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411–423.
• Matthiesen, R. (Ed.). (2010). Bioinformatics methods in clinical research. Humana Press.
• Schwarz, G., et al. (1978). Estimating the dimension of a model. The annals of statistics, 6(2), 461–464.

R-packages

• cluster
• randomForest
• Rtsne

Voorbeeld

• Voor een dataset als voorbeeld ga naar Open --> Bibliotheek --> Machine Learning --> Iris Bloemen.

jasp-stats/jaspMachineLearning documentation built on April 5, 2025, 3:52 p.m.