Gráficos de escalamiento multidimensional en 2 dimensiones
Enviado por tanroro • 3 de Junio de 2019 • Tarea • 454 Palabras (2 Páginas) • 118 Visitas
PROYECTO DE DATOS MULTIVARIADOS
• Gráfico escalamiento multidimensional de en 2 dimensiones. Se sugiere usar la función cmdscale() en R aunque pueden usar otros paquetes de R con la implementación de EMD para obtener el gráfico. [pic 1]
Ilustración 1Gráfico de escalamiento multidimensional en dos dimensiones. .
[pic 2]
Ilustración 2. Gráfico de escalamiento multidimensional en dos dimensiones. Cercanía y lejanía del río
La gráfica representa el escalamiento multidimensional para la visualización de variables, se observa las observaciones están dispersas y se arman grupos con distancias grandes. Se ilustran las coordenadas de los 19 lugares diferentes de una pradera cercanas a un río.
• Gráfico en 2 dimensiones de los scores en el espacio de las dos primeras componentes principales. Esto es básicamente un clusplot.
[pic 3]
Para realizar este gráfico, se hizo un análisis de componentes principales y se usó los scores de las dos primeras componentes. Para hacer el análisis cluster, se calculó las distancias entre scores. Luego se hizo un plot de esas distancias. Se puede observar que existen varias agrupaciones evidentes en la gráfica. Este gráfico es equivalente a un cusplot, ya que también gráfica las dos primeras componentes.
[pic 4]
• Un gráfico en 2 dimensiones de las observaciones transformadas en el espacio de las dos primeras funciones discriminantes canónicas de Fisher. Para obtener las funciones discriminantes de Fisher necesitan saber a qué grupo cada observación pertenece, aunque esto es generalmente desconocido en el Análisis Clúster. Por tanto, tendrán que realizar primero un Análisis Clúster, y usar las membresías de clústers resultantes como un indicador de clase en el Análisis Discriminante de Fisher.
[pic 5]
Para las observaciones transformadas en las dos primeras funciones discriminantes canónicas de Fisher, se usó tres cluster para la discriminación, se puede observar que las observaciones se agrupan en su mayoría en el centro del gráfico y que existe una similitud grande entre las observaciones de los costados y el centro.
[pic 6]
metales<-read.table("HeavyMetals.txt",dec=".",sep = ",",header = TRUE) metales ################LITERAL A d=dist(metales[,2:18],"euclidean") g=cmdscale(d,k=2,eig = TRUE) x<-g$points[,1] y<-g$points[,2] range(x) plot(x, y, type="n",xlab = "", ylab = "", axes = TRUE,main = "cmdscale(Metales)$Plaats") text(x,y,metales$plaats,cex=0.8) ?cmdscale ################LITERAL B # Cluster Jerarquico: Agnes par(mfrow=c(2,2)) metales.agnes.simp <- agnes(d, method="single") plot(metales.agnes.simp, which.plots=2) metales.agnes.complet <- agnes(d, method="complete") plot(metales.agnes.complet, which.plots=2) metales.agnes.prom <- agnes(d, method="average") plot(metales.agnes.prom, which.plots=2) metales.ward <- agnes(d, method="ward") plot(metales.ward, which.plots=2) # Nos podriamos quedar de 4 a 7 clusters de acuerdo al # analisis de cluster jerarquico #Analisis de cluster por particion # PAM ?pam dev.off() metales.pam <-pam(d,k=4,diss=TRUE) plot(metales.pam) clusplot(metales.pam) metales.pam <-pam(d,k=5,diss=TRUE) plot(metales.pam) clusplot(metales.pam) metales.pam <-pam(d,k=6,diss=TRUE) plot(metales.pam) clusplot(metales.pam) metales.pam <-pam(d,k=7,diss=TRUE) plot(metales.pam) clusplot(metales.pam) #5 clusters metales$plaats[metales.pam$clustering==1] metales$plaats[metales.pam$clustering==2] metales$plaats[metales.pam$clustering==3] metales$plaats[metales.pam$clustering==4] metales$plaats[metales.pam$clustering==5] membresia<-c(1,2,2,2,3,2,4,2,5,3,1,3,4,4,1,3,3,4,3) metales$cluster=membresia ################LITERAL C metales$cluster<-as.factor(metales$cluster) metales.maov<-manova(cbind(Cd5,Cd20,Cr5,Cr20,Cu5,Cu20,Fe5, Fe20,Mn5,Mn20,Ni5,Ni20,Pb5,Pb20, Zn5,Zn20)~cluster,data=metales) E<-solve(summary(metales.maov)$SS$Residuals)%*%(summary(metales.maov)$SS$cluster) E.eigen<-eigen(E) a=E.eigen$vector[,1] # the coefficients of the first discriminant function b=E.eigen$vector[,2] # the coefficients of the second discriminant function plot(a,b,main="") |
...