Cómo interpretar el dendrograma de un análisis jerárquico de conglomerados

Question

Considere el siguiente ejemplo de R:

plot( hclust(dist(USArrests), "ave") )

1. ¿Qué significa exactamente el eje "Altura"?

2. Mirando a Carolina del Norte y California (más bien a la izquierda). ¿Está California "más cerca" de Carolina del Norte que de Arizona? ¿Puedo hacer esta interpretación?

3. Hawái (a la derecha) se une al grupo bastante tarde. Puedo ver esto ya que es "más alto" que otros estados. En general, ¿cómo puedo interpretar correctamente el hecho de que las etiquetas sean "más altas" o "más bajas" en el dendrograma?

Answer 1

Yo tenía las mismas preguntas cuando intenté aprender clustering jerárquico y encontré el siguiente pdf muy muy útil.

http://www.econ.upf.edu/~michael/stanford/maeb7.pdf

Incluso si Richard ya tiene claro el procedimiento, otros que hojeen la pregunta probablemente puedan utilizar el pdf, es muy sencillo y claro especialmente para aquellos que no tienen suficiente formación matemática.

Answer 2

1) El eje Y es una medida de proximidad de los puntos de datos individuales o de los clusters.

2) California y Arizona están igualmente alejados de Florida porque CA y AZ están en un grupo antes de que cualquiera de ellos se una a FL.

3) Hawái se incorpora bastante tarde, en torno a los 50 años. Esto significa que el grupo al que se une está más cerca antes de que HI se una. Pero no mucho más cerca. Obsérvese que el cúmulo al que se une (el de la derecha) sólo se forma a unos 45. El hecho de que HI se una a un grupo más tarde que cualquier otro estado significa simplemente que (utilizando cualquier métrica que se haya seleccionado) HI no está tan cerca de ningún estado en particular.

Answer 3

El eje horizontal representa las agrupaciones. La escala vertical del dendrograma representa la distancia o disimilitud. Cada unión (fusión) de dos clusters se representa en el diagrama mediante la división de una línea vertical en dos líneas verticales. La posición vertical de la división, mostrada por una barra corta, da la distancia (disimilitud) entre los dos clusters.