klasifikace
Download
Skip this Video
Download Presentation
Klasifikace

Loading in 2 Seconds...

play fullscreen
1 / 24

Klasifikace - PowerPoint PPT Presentation


  • 118 Views
  • Uploaded on

Klasifikace. Míry podobnosti Klastrová analýza Metoda TWINSPAN. Míry podobnosti I.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Klasifikace' - brant


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
klasifikace

Klasifikace

Míry podobnosti

Klastrová analýza

Metoda TWINSPAN

m ry podobnosti i
Míry podobnosti I.
  • Míry podobnosti (similarity measures, též resemblance functions) komplementárník mírám nepodobnosti (dissimilarity m.), nazývaným i jako vzdálenosti (distances):D = 1 – S nebo D = √(1 – S) nebo D = √(1 – S2)
  • Každá ordinační nebo klasifikační mnohorozměrná metoda založena na nějaké míře podobnosti (explicitně nebo je možné míru podobnosti zvolit)
  • Dualita zadání ordinačních metod
m ry podobnosti ii
Míry podobnosti II.
  • V případě dat popisujících složení společenstva (řádky jsou vzorky, sloupce druhy) můžeme porovnávat vzorky (podobnost vzorků, sample similarity) nebo druhy (species similarity)
  • Zásadní rozdíl v těchto dvou typech podobností:
    • Podobnosti vzorků jsou založeny na kompletním výčtu druhů dané kategorie organismů (vyšší kytky, hmyz) –s výjimkou přehlédnutých
    • Podobnosti mezi druhy jsou závislé na vzorkované škále, druhy se vyskytují v širším rozsahu podmínek a v širším geografickém rozsahu
  • Podobnosti vzorků i druhů lze počítat z prezenčních i z kvantitativních dat, pro obojí existuje mnoho typů
m ry podobnosti iii
Míry podobnosti III.
  • Existují jich desítky až stovky, zde si ukážeme jen nejvýznamnější zástupce
podobnost vzork 0 1 data
Podobnost vzorků, 0/1 data
  • Sørensen-ův koef.S = 2a / (2a +b+c)
  • Jaccard-ův koef.J = a / (a + b + c)

d: počet druhů chybících v obou srovnávaných

vzorcích (většinou se nepoužije)

podobnost druh 0 1 data
Podobnost druhů, 0/1 data
  • Pearson’s f (= V)
  • Yule koeficient Q

d: počet vzorků, ve kterých chybí obadruhy– většinou je třeba vzít v úvahu!

m ry podobnosti pro kvantitativn data
Míry podobnostipro kvantitativní data
  • Kvantitativní data obsahují více informací než 0-1 data
  • V zaznamenaných hodnotách se odráží přítomnost, relativní zastoupení, celková abundance (celková biomasa)
  • Tyto tři aspekty můžeme v různé míře zdůraznit či potlačit nejen volbou míry podobnosti ale i změnou dat před výpočtem
prava kvantitativn ch dat
Úprava kvantitativních dat
  • Transformace: změna hodnot pomocí zvolené funkce Xij’ = f(Xij) pro každou hodnotu nezávisle na ostatních, např. log
  • Standardizace: úprava rozsahu hodnot uvažovaného buď přes hodnoty všech proměnných (druhů) v rámci vzorku nebo přes všechny hodnoty proměnné:standardize by sample X by species
  • Centrování: odečtení průměru proměnné (častěji) nebo vzorku od jednotlivých hodnot
transformace odhadov stupnice
Transformace odhadové stupnice
  • Braun-Blanquet-ova odhadová stupnice (r, +, 1, 2, 3, 4, 5), případně různá zjemnění
  • Transformace buď ordinální nebo logaritmus střední pokryvnosti

Mezi oběma způsoby není podstatný rozdíl ...

podobnost vzork kvantitativn data 1 eukleidovsk distance
Podobnost vzorků: kvantitativní data 1: Eukleidovská distance

Chceme-li standardizovat, pak normou (√ΣXj2):

ED34=1.41

ED12=1.41

ED34=0.82

ED12=1.41

ED12=14.14

ED34=12.25

podobnost vzork kvantitativn data 2 percentage similarity
Podobnost vzorků: kvantitativní data 2: Percentage similarity
  • Obdoba Sørensenova koeficientu pro kvantitativní data
  • Doplněk do jedné se nazývá Bray-Curtis distance a bývá často doporučována pro metodu nemetrického mnohorozměrného škálování (NMDS)
podobnost druh kvantitativn data
Podobnost druhů: kvantitativní data
  • Korelační koeficienty (Pearsonův lineární, neparametrické: Spearmanův, Kendallův)
  • c2 distance (i pro vzorky!)

Si+ je součet hodnot všech druhů ve vzorku i

S+j je součet hodnot druhu j přes všechny vzorky

m ry podobnosti telegraficky 1
Míry podobnosti: telegraficky 1
  • Porovnávání podobnosti vzorků vs. podobnosti společenstev: NESS index (normalized expected species shared), jednodušší forma: Morisita index
  • Používáme tam, kdy je společenstvo jen částečně reprezentováno vzorky, a tos proměnlivou reprezentativností podle velikosti vzorku (počty jedinců)
m ry podobnosti telegraficky 2
Míry podobnosti: telegraficky 2
  • Matice podobností (či nepodobností = vzdáleností) musíme zadat jako vstup nejen pro klastrovou analýzu, ale také pro mnohorozměrné škálování a Mantelův test
  • Multidimensional scaling:
    • Metric – principal coordinates analysis (PCO, PCoA)
    • Nonmetric – NMDS (kritérium stress)
  • Mantelův test – porovnání dvou (či více) matic vzdálenosti – test vztahu
klasifikace1
Klasifikace
  • Je-li výsledkem skupina rovnocenných tříd, jde o nehierarchickou (nonhierarchical) klasifikaci, např. K-means clustering
  • Opakem zařazení klasifikovaných objektů do hierarchie tříd znázorňované dendrogramem
  • Způsobem vzniku této klasifikace se odlišují divisivní (rozdělující) metody – např. metoda TWINSPAN, a aglomerativní (spojující) metody – tj. klastrová analýza v užším významu
rozhodnut v klastrov anal ze
Rozhodnutí v klastrové analýze
  • Klastrová analýza nemůže být „objektivní“ metoda – každé z uvedených rozhodnutí odráží specifika kladené otázky a/nebo subjektivní pohled badatele
  • Je ale „opakovatelná“ (reproducible)
  • Jak zaznamenámzastoupení druhů?

(2) Jak vyjádřím podobnostjednotlivých vzorků?

(3) Jak vyjádřím podobnostskupin (klastrů)?

klastrov anal za spojov n
Klastrová analýza - spojování

Vzdálenosti mezi objekty máme v zadané matici (ne)podobností. V hierarchické klasifikaci ale potřebujeme i vzdálenosti mezi shluky (klastry) nižšího řádu...

klastrov anal za metody
Klastrová analýza - metody
  • Single linkage (nejkratší cesta) vs. complete linkage (nejdelší cesta)
  • Další možné: average linkage (UPGMA), Wardova metoda, ...
  • Řetězení (chaining)
klastrov anal za po ad objekt
Klastrová analýza – pořadí objektů

Pořadí objektů je do značné míry libovolné

twinspan 1
TWINSPAN 1
  • Two Way INdicator SPecies ANalysis, hierarchická divisivní metoda, vznikla pro hledání struktury ve vegetačních tabulkách
  • Při každém rozdělení (pod)souboru snímkůvychází z první osy korespondenční analýzy (CA), pozice snímků ale dále upravuje
  • Pracuje s 0/1 hodnotami (přítomnosti druhů),pro kvantitativní data používá koncept tzv. pseudospecies (definovány podle cut levels)
  • Současná klasifikace snímků i druhů
twinspan 2 pseudospecies
TWINSPAN 2 - pseudospecies
  • Vhodnou volbou hranic (cut levels) můžeme zdůraznit či potlačit vliv dominant
twinspan 3 uspo d n skupin
TWINSPAN 3 – uspořádání skupin

Podobnost skupiny 01 se skupinou 1 je větší, než mezi skupinami 00 a 1. Vytváří se tak plynulá bloková struktura tabulky

twinspan 4 rozd len
TWINSPAN 4 - rozdělení

Indikátory dělení, preferenční druhy