MultiDendrograms è un'applicazione semplice ma potente per rendere la gerarchica Clustering di dati reali, distribuito sotto una licenza open source. & Nbsp; a partire da una distanza (o pesi) a matrice, MultiDendrograms calcola il dendrogramma utilizzando gli algoritmi più comuni agglomerante Hierarchical Clustering , permette la messa a punto di molti dei parametri di rappresentazione grafica, ed i risultati possono essere facilmente esportati su file. Una sintesi delle caratteristiche:
- Multipiattaforma: sviluppato in Java, funziona in tutti i sistemi operativi (ad esempio Windows, Linux e MacOS).
- Interfaccia utente grafica: la selezione dei dati, opzioni di clustering gerarchico, parametri di rappresentazione dendrogramma, navigazione attraverso il dendrogramma, misure di deviazione.
- Algoritmi di clustering gerarchico implementato: variabile-gruppo singolo Linkage, Linkage completo, media non ponderata, media ponderata, baricentro non ponderati, baricentro ponderata e Joint tra-in.
- Parametri di rappresentazione: le dimensioni, l'orientamento, le etichette, assi, ecc
- Misure di deviazione: Correlazione Cophenetic Coefficient, normalizzato errore quadratico medio e normalizzato medio assoluto di errore.
- Esportazione: Matrice ultrametrici, dettagli dendrogramma in formati di testo e albero Newick.
- Trama: immagine dendrogram in formato JPG, PNG e EPS formati.
MultiDendrograms implementa la variabile gruppo algoritmi per risolvere il problema non unicità trovato negli algoritmi e implementazioni pair-gruppo standard. Questo problema sorge quando due o più distanze minime tra diversi gruppi sono uguali durante il processo di fusione. L'approccio standard consiste nello scegliere una coppia, rompendo i legami tra distanze, e procede nello stesso modo fino ad ottenere la classificazione gerarchica finale. Tuttavia, diversi raggruppamenti sono possibili a seconda del criterio utilizzato per rompere i legami (di solito una coppia è appena scelto a caso!).
Il gruppo algoritmi variabile gruppo più di due gruppi allo stesso tempo in cui si verificano legami, dato luogo ad una rappresentazione grafica chiamata multidendrogram. Le loro proprietà principali sono:
- Quando non ci sono legami, gli algoritmi variabile di gruppo danno gli stessi risultati di quelle due-gruppo.
- Danno sempre una soluzione determinata univocamente.
- Nella rappresentazione multidendrogram per i risultati si può osservare esplicitamente la presenza di legami durante il processo di agglomerazione. Inoltre, l'altezza di qualsiasi intervallo di fusione (band nel programma) indica il grado di eterogeneità all'interno del cluster corrispondente
Requisiti .
- Java 2 Standard Edition Runtime Environment
I commenti non trovato