BIPLOTS

...

EXISTEN METODOLOGÍAS ALTERNAS AL MODELO PARA LA APLICACIÓN EN CLUSTER

- Métodos de SPSS Statistics para crear modelos de segmentación

Según (Gillman, 18) SPSS Statistics cuenta con varios algoritmos estadísticos para crear la segmentación, el programa SPSS dispone de tres tipos de análisis clúster:

- Análisis de conglomerados de bietápico

- Análisis de conglomerados de K medias

- Análisis de conglomerados jerárquicos.

Los modelos de clúster se usan a menudo para crear clústeres o segmentos que se usan posteriormente como entradas en análisis posteriores.

Nodos de segmentación

[pic 4]

El nodo Agrupación en clústeres automática calcula y compara los modelos de agrupación en clústeres que identifican grupos de registros con características similares. El nodo funciona de la misma manera que otros nodos de modelado automático, permitiéndole experimentar con múltiples combinaciones de opciones en una única pasada de modelado. Los modelos se pueden comparar utilizando medidas básicas con las que se intenta filtrar y definir la utilidad de los modelos de clúster y proporcionar una medida según la importancia de campos concretos.

[pic 5]

El nodo K-medias agrupa conjuntos de datos en grupos distintos (o clústeres). El método define un número fijo de clústeres, de forma iterativa asigna registros a los clústeres y ajusta los centros de los clústeres hasta que no se pueda mejorar el modelo. En lugar de intentar predecir un resultado, los modelos de k-medias utilizan un proceso conocido como aprendizaje no supervisado para revelar los patrones del conjunto de campos de entrada.

[pic 6]

El nodo Kohonen genera un tipo de red neuronal que se puede usar para agrupar un conjunto de datos en grupos distintos. Cuando la red se termina de entrenar, los registros que son similares se deberían cerrar juntos en el mapa de resultados, mientras que los registros que son diferentes aparecerían aparte. Puede observar el número de observaciones capturadas por cada unidad en el nugget de modelo para identificar unidades fuertes. Esto le proporcionará una idea del número apropiado de clústeres.

[pic 7]

El nodo Bietápico es un método de agrupación en clústeres de dos pasos. El primer paso es hacer una única pasada por los datos para comprimir los datos de entrada de la fila en un conjunto de sub clústeres administrable. El segundo paso utiliza un método de agrupación en clústeres jerárquica para fundir progresivamente los sub clústeres en clústeres cada vez más grandes. El bietápico tiene la ventaja de estimar automáticamente el número óptimo de clústeres para los datos de entrenamiento. Puede gestionar tipos de campos mixtos y grandes conjuntos de datos eficazmente.

[pic 8]

El nodo Detección de anomalías identifica casos extraños, o valores atípicos, que no se ajustan a patrones de datos “normales”. Con este nodo, es posible identificar valores atípicos aunque no se ajusten a ningún patrón previamente conocido o no se realice una búsqueda exacta.

( IBM Knowledge Center, 2017)

Independiente del proceso de agrupamiento, hay diversos criterios para ir formando los clúster; todos estos criterios se basan en una matriz de distancias o similitudes. (Universidad de Granada, 2015) Cita los siguientes métodos estadísticos para asociar Clúster:

Jerárquicos aglomerativos:

- Método del Linkage Simple, Enlace Simple o Vecino más próximo

- Método del Linkage Completo, Enlace Completo o Vecino más alejado

- Método del Promedio entre grupos

- Método del Centroide

- Método del la Mediana

- Método de Ward

Jerárquicos divisivos o disociativos

- Método del Linkage Simple

- Método del Linkage Completo

- Método del Promedio entre grupos

- Método del Centroide

- Método de la Mediana

- Análisis de Asociación

Bibliografía

IBM Knowledge Center. (13 de 06 de 2017). IBM. Obtenido de IBM: https://www.ibm.com/support/knowledgecenter/es/SS3RA7_16.0.0/com.ibm.spss.modeler.help/clementine/understanding_modeltypes.htm

Bachero;Garcia;Escortell. (2000). APLICACIÓN DEL BIPLOT AL ANÁLISIS COMPARATIVO DE LAS ECONOMÍAS DE LAS COMUNIDADES AUTÓNOMAS: EL CASO DE ASTURIAS. España: Universidad de Valencia.

Fernandez, J. (s.f.). MultiBiplot: Analisis Biblot y analisis Cluster.

Galindo &Villardón. (2007). LOS MÉTODOS BIPLOT: EVOLUCIÓN Y APLICACIONES. Revista Venezolana de Análisis de Coyuntura, 281.

Gillman, D. (2013 de 02 de 18). IBM. Recuperado el 13 de 06 de 2017, de IBM: https://www.ibm.com/developerworks/ssa/library/ba-custsegmodelspss/index.html

Universidad de Granada. (2015). Obtenido de http://wpd.ugr.es/~bioestad/guia-spss/practica-8/

Villardón, J. (12 de 01 de 2011). MULTIBIPLOT. Obtenido de http://biplot.usal.es/classicalbiplot/documentation/