Этот пример показывает, как выполнить классическое многомерное масштабирование с помощью функции cmdscale в Statistics and Machine Learning Toolbox™. Классическое многомерное масштабирование, также известное как Основной Анализ Координат, берет матрицу, разделяют расстояния знаками препинания, и создает настройку точек. Идеально, те точки могут быть созданы в два или три измерения, и Евклидовы расстояния между ними приблизительно воспроизводят исходную матрицу расстояния. Таким образом график рассеивания тех точек обеспечивает визуальное представление исходных расстояний.
Этот пример иллюстрирует приложения многомерного масштабирования к мерам по несходству кроме пространственного расстояния и показывает, как создать настройку точек, чтобы визуализировать те несходства.
Этот пример описывает классическое многомерное масштабирование. Функция mdscale выполняет неклассический MDS, который иногда более гибок, чем классический метод. Неклассический MDS описан в Неклассическом Многомерном примере Масштабирования.
Предположим, что вы измерили генетическое "расстояние" или несходство, между многим локальным поднаселением одного вида животного. Вы также знаете их географические точки и хотели бы знать, как тесно их генетические и пространственные расстояния соответствуют. Если они делают, который является доказательством, что межпородное скрещивание между поднаселением затронуто их географическими точками.
Ниже пространственные местоположения поднаселения и верхний треугольник матрицы генетических расстояний, в том же векторном формате, произведенном pdist.
X = [39.1 18.7;
40.7 21.2;
41.5 21.5;
39.2 21.8;
38.7 20.6;
41.7 20.1;
40.1 22.1;
39.2 21.6];
D = [4.69 6.79 3.50 3.11 4.46 5.57 3.00 ...
2.10 2.27 2.65 2.36 1.99 1.74 ...
3.78 4.53 2.83 2.44 3.79 ...
1.98 4.35 2.07 0.53 ...
3.80 3.31 1.47 ...
4.35 3.82 ...
2.57];
Несмотря на то, что этот векторный формат для D эффективен пробелом, часто легче видеть отношения расстояния, если вы переформатировали расстояния до квадратной матрицы.
squareform(D)
ans =
Columns 1 through 7
0 4.6900 6.7900 3.5000 3.1100 4.4600 5.5700
4.6900 0 2.1000 2.2700 2.6500 2.3600 1.9900
6.7900 2.1000 0 3.7800 4.5300 2.8300 2.4400
3.5000 2.2700 3.7800 0 1.9800 4.3500 2.0700
3.1100 2.6500 4.5300 1.9800 0 3.8000 3.3100
4.4600 2.3600 2.8300 4.3500 3.8000 0 4.3500
5.5700 1.9900 2.4400 2.0700 3.3100 4.3500 0
3.0000 1.7400 3.7900 0.5300 1.4700 3.8200 2.5700
Column 8
3.0000
1.7400
3.7900
0.5300
1.4700
3.8200
2.5700
0
cmdscale распознает любой из этих двух форматов.
[Y,eigvals] = cmdscale(D);
Первый вывод cmdscale, Y, является матрицей точек, созданных, чтобы иметь, разделяют знаками препинания расстояния, которые воспроизводят расстояния в D. С восемью разновидностями точки (строки Y) могли иметь целых восемь размерностей (столбцы Y). Визуализация генетических расстояний зависит от использования точек в только двух или трех измерениях. К счастью, второй вывод cmdscale, eigvals, является набором отсортированных собственных значений, относительные значения которых указывают, сколько размерностей можно безопасно использовать. Если только первые два или три собственных значения являются большими, то только те координаты точек в Y необходимы, чтобы точно воспроизвести D. Если больше чем три собственных значения являются большими, то не возможно найти хорошую низко-размерную настройку точек, и не будет легко визуализировать расстояния.
[eigvals eigvals/max(abs(eigvals))]
ans =
29.0371 1.0000
13.5746 0.4675
2.0987 0.0723
0.7418 0.0255
0.3403 0.0117
0.0000 0.0000
-0.4542 -0.0156
-3.1755 -0.1094
Заметьте, что существует только два больших положительных собственных значения, таким образом, настройка точек, созданных cmdscale, может быть построена в двух измерениях. Два отрицательных собственных значения указывают, что генетические расстояния не являются Евклидовыми, то есть, никакая настройка точек не может воспроизвести D точно. К счастью, отрицательные собственные значения являются маленькими относительно самых больших положительных единиц, и сокращение к первым двум столбцам Y должно быть довольно точным. Можно проверять это путем рассмотрения ошибки в расстояниях между двумерной настройкой и исходных расстояниях.
maxrelerr = max(abs(D - pdist(Y(:,1:2)))) / max(D)
maxrelerr =
0.1335
Теперь можно сравнить "генетические местоположения", созданные cmdscale к фактическим географическим точкам. Поскольку настройка, возвращенная cmdscale, уникальна только до перевода, вращения и отражения, генетические местоположения, вероятно, не будут совпадать с географическими точками. У них также будет неправильная шкала. Но можно использовать команду procrustes, чтобы подойти эти два набора точек лучше всего в смысле наименьших квадратов.
[D,Z] = procrustes(X,Y(:,1:2)); plot(X(:,1),X(:,2),'bo',Z(:,1),Z(:,2),'rd'); labels = num2str((1:8)'); text(X(:,1)+.05,X(:,2),labels,'Color','b'); text(Z(:,1)+.05,Z(:,2),labels,'Color','r'); xlabel('Distance East of Reference Point (Km)'); ylabel('Distance North of Reference Point (Km)'); legend({'Spatial Locations','Constructed Genetic Locations'},'Location','SE');
Этот график показывает лучшее соответствие восстановленных точек в тех же координатах как фактические пространственные местоположения. По-видимому, генетические расстояния действительно имеют тесную связь к пространственным расстояниям между поднаселением.
Предположим, что вы вычислили следующую корреляционную матрицу для набора 10 переменных. Очевидно, что эти переменные все положительно коррелируются, и что существуют некоторые очень сильные попарные корреляции. Но с этим много переменных, не легко получить хорошее ощущение отношений среди всех 10.
Rho = ...
[1 0.3906 0.3746 0.3318 0.4141 0.4279 0.4216 0.4703 0.4362 0.2066;
0.3906 1 0.3200 0.3629 0.2211 0.9520 0.9811 0.9052 0.4567 0 ;
0.3746 0.3200 1 0.8993 0.7999 0.3589 0.3460 0.3333 0.8639 0.6527;
0.3318 0.3629 0.8993 1 0.7125 0.3959 0.3663 0.3394 0.8719 0.5726;
0.4141 0.2211 0.7999 0.7125 1 0.2374 0.2079 0.2335 0.7050 0.7469;
0.4279 0.9520 0.3589 0.3959 0.2374 1 0.9657 0.9363 0.4791 0.0254;
0.4216 0.9811 0.3460 0.3663 0.2079 0.9657 1 0.9123 0.4554 0.0011;
0.4703 0.9052 0.3333 0.3394 0.2335 0.9363 0.9123 1 0.4418 0.0099;
0.4362 0.4567 0.8639 0.8719 0.7050 0.4791 0.4554 0.4418 1 0.5272;
0.2066 0 0.6527 0.5726 0.7469 0.0254 0.0011 0.0099 0.5272 1 ];
Многомерное масштабирование часто считается путем к (ре) точки построения с помощью только попарные расстояния. Но это может также использоваться с мерами по несходству, которые являются более общими, чем расстояние, чтобы пространственно визуализировать вещи, которые не являются "точками на пробеле" в обычном смысле. Переменные, описанные Ро, являются примером, и можно использовать cmdscale, чтобы построить визуальное представление их взаимозависимостей.
Корреляция на самом деле измеряет подобие, но легко преобразовать его к мере несходства. Поскольку все корреляции здесь положительны, можно просто использовать
D = 1 - Rho;
несмотря на то, что другой выбор может также быть целесообразным. Если бы Rho содержал отрицательные корреляции, необходимо было бы решить, выбирают ли, например, корреляция-1 обозначенного более или менее несходства, чем корреляция 0, и преобразование соответственно.
Важно решить, возможна ли визуализация информации в корреляционной матрице даже, то есть, может ли количество размерностей быть сокращено от десять вниз к два или три. Собственные значения, возвращенные cmdscale, дают вам способ решить. В этом случае график каменистой осыпи тех собственных значений показывает, что двух размерностей достаточно, чтобы представлять переменные. (Заметьте, что некоторые собственные значения в графике ниже являются отрицательными, но маленькими относительно первых двух.)
[Y,eigvals] = cmdscale(D); plot(1:length(eigvals),eigvals,'bo-'); line([1,length(eigvals)],[0 0],'LineStyle',':','XLimInclude','off',... 'Color',[.7 .7 .7]) axis([1,length(eigvals),min(eigvals),max(eigvals)*1.1]); xlabel('Eigenvalue number'); ylabel('Eigenvalue');
В более независимом наборе переменных может быть необходимо больше размерностей. Если больше чем три переменные необходимы, визуализация не все это полезное.
2D график настройки, возвращенной cmdscale, показывает, что существует два подмножества переменных, которые наиболее тесно коррелируются между собой плюс одна переменная, которая является более или менее самостоятельно. Один из кластеров высок, в то время как другой относительно свободно.
labels = {' 1',' 2',' 3',' 4',' 5',' 6',' 7',' 8',' 9',' 10'};
plot(Y(:,1),Y(:,2),'bx');
axis(max(max(abs(Y))) * [-1.1,1.1,-1.1,1.1]); axis('square');
text(Y(:,1),Y(:,2),labels,'HorizontalAlignment','left');
line([-1,1],[0 0],'XLimInclude','off','Color',[.7 .7 .7])
line([0 0],[-1,1],'YLimInclude','off','Color',[.7 .7 .7])
С другой стороны, результаты cmdscale для следующей корреляционной матрицы указывают на большое количество отличной структуры: среди переменных нет никаких действительных групп. Скорее существует своего рода "круговая" зависимость, где каждая переменная имеет пару "самых близких соседей", но менее хорошо коррелируется с остающимися переменными.
Rho = ...
[1 0.7946 0.1760 0.2560 0.7818 0.4496 0.2732 0.3995 0.5305 0.2827;
0.7946 1 0.1626 0.4227 0.5674 0.6183 0.4004 0.2283 0.3495 0.2777;
0.1760 0.1626 1 0.2644 0.1864 0.1859 0.4330 0.4656 0.3947 0.8057;
0.2560 0.4227 0.2644 1 0.1017 0.7426 0.8340 0 0.0499 0.4853;
0.7818 0.5674 0.1864 0.1017 1 0.2733 0.1484 0.4890 0.6138 0.2025;
0.4496 0.6183 0.1859 0.7426 0.2733 1 0.6303 0.0648 0.1035 0.3242;
0.2732 0.4004 0.4330 0.8340 0.1484 0.6303 1 0.1444 0.1357 0.6291;
0.3995 0.2283 0.4656 0 0.4890 0.0648 0.1444 1 0.8599 0.3948;
0.5305 0.3495 0.3947 0.0499 0.6138 0.1035 0.1357 0.8599 1 0.3100;
0.2827 0.2777 0.8057 0.4853 0.2025 0.3242 0.6291 0.3948 0.3100 1 ];
[Y,eigvals] = cmdscale(1-Rho);
[eigvals eigvals./max(abs(eigvals))]
ans =
1.1416 1.0000
0.7742 0.6782
0.0335 0.0294
0.0280 0.0245
0.0239 0.0210
0.0075 0.0066
0.0046 0.0040
-0.0000 -0.0000
-0.0151 -0.0132
-0.0472 -0.0413
plot(Y(:,1),Y(:,2),'bx'); axis(max(max(abs(Y))) * [-1.1,1.1,-1.1,1.1]); axis('square'); text(Y(:,1),Y(:,2),labels,'HorizontalAlignment','left'); line([0 0],[-1,1],'XLimInclude','off','Color',[.7 .7 .7]) line([-1,1],[0 0],'YLimInclude','off','Color',[.7 .7 .7])
Многомерное масштабирование чаще всего используется, чтобы визуализировать данные, когда только их расстояния или несходства доступны. Однако, когда исходные данные доступны, многомерное масштабирование может также использоваться в качестве метода сокращения размерности, путем сокращения данных до матрицы расстояния, создания новой настройки точек с помощью cmdscale, и сохраняя только первые несколько размерностей тех точек. Это приложение многомерного масштабирования во многом как Анализ Основных компонентов, и на самом деле, когда вы вызываете cmdscale с помощью Евклидовых расстояний между точками, результаты идентичны PCA до изменения в знаке.
n = 10; m = 5;
X = randn(n,m);
D = pdist(X,'Euclidean');
[Y,eigvals] = cmdscale(D);
[PC,Score,latent] = pca(X);
Y
Y =
-1.4505 1.6602 0.8106 0.5834 0.5952
2.6140 -1.0513 -1.1962 0.7221 -0.2299
-2.2399 -1.6699 -0.7881 -0.6659 0.0398
-0.4956 0.2265 1.2682 -0.5123 -0.5702
0.1004 -2.3659 1.2672 0.4837 -0.2888
-2.5996 1.0635 -0.8532 0.1392 -0.1216
-1.5565 0.4215 -0.0931 0.2863 0.0299
0.4656 -0.6250 -0.7608 -0.3233 0.2786
2.3961 2.6933 -0.2020 -0.2572 -0.4374
2.7660 -0.3529 0.5474 -0.4560 0.7044
Score
Score =
-1.4505 1.6602 -0.8106 -0.5834 -0.5952
2.6140 -1.0513 1.1962 -0.7221 0.2299
-2.2399 -1.6699 0.7881 0.6659 -0.0398
-0.4956 0.2265 -1.2682 0.5123 0.5702
0.1004 -2.3659 -1.2672 -0.4837 0.2888
-2.5996 1.0635 0.8532 -0.1392 0.1216
-1.5565 0.4215 0.0931 -0.2863 -0.0299
0.4656 -0.6250 0.7608 0.3233 -0.2786
2.3961 2.6933 0.2020 0.2572 0.4374
2.7660 -0.3529 -0.5474 0.4560 -0.7044
Даже ненулевые собственные значения идентичны до масштабного коэффициента.
[eigvals(1:m) (n-1)*latent]
ans =
36.9993 36.9993
21.3766 21.3766
7.5792 7.5792
2.2815 2.2815
1.5981 1.5981