-
Notifications
You must be signed in to change notification settings - Fork 0
/
MFEAT1.Rmd
319 lines (225 loc) · 13.4 KB
/
MFEAT1.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
---
title: "Projet Mixture model : MFEAT1"
output: html_notebook
---
#Binome:
- Wacim BELAHCEL
- Imad Oualid KACIMI
```{r}
library(R.matlab)
library(Factoshiny)
library(NbClust)
library(Rmixmod)
library(mclust)
library(clusterSim)
library(aricode)
library(h2o)
library(Rtsne)
library(tidyverse)
```
# Q1 : Introduction table de donnée
MFEAT1 (Multiple Features Data Set) est un sous ensemble du dataset original contenant plus de variable, ce dataset contient 10 classes, chaque individu représente un chiffre écris à la main, et chaque variable represente un pixel.
```{r}
MFEAT1 = readMat(con="C:\\Users\\GIGABYTE\\Downloads\\DATA_MATLAB - Projet-master-MLDS\\DATA_MATLAB - Projet-master-MLDS\\MFEAT1.mat")
```
```{r}
y_data = as.data.frame(MFEAT1$y)
x_data = as.data.frame(MFEAT1$X)
#x_test_data = as.data.frame(mnist$testX)
#y_test_data = as.data.frame(mnist$testY)
```
```{r}
x_data$y<-as.factor(t(y_data))
x_data <- x_data[!duplicated(x_data[,1:240]), ]
y_data <- as.data.frame(x_data$y)
```
# Question 2: ACP
Depuis le graph des individus, on remarque que les classes sont trés mélangé et qu'il est difficile de les séparé, cependant certaines classes restent plus ou moins séparable, on remarque par exemple la classe y1 qui semble contribuer fortement à l'axe 2 et se démarquer des autres classes sur cet axe, on remarque aussi la classe y_8 qui semble se démarquer et contribuer fortement à la création de l'axe 1, pour finir les classes y_5 et y_7 bien qu'il y'a un certain chevauchements entre les deux restent plus ou moin distinguable et sont assez séparé du reste.
Lorsque l'on représente uniquement les modalité de la variable cible y, on peut confirmer notre précedente observations.
```{r}
res.PCA<-PCA(x_data,quali.sup=c(241),graph=FALSE)
plot.PCA(res.PCA,choix='var',title="Graphe des variables de l'ACP")
plot.PCA(res.PCA,invisible=c('ind.sup'),select='contrib 804',habillage=241,title="Graphe des individus de l'ACP",label ='none')
```
```{r}
res.PCA<-PCA(x_data,quali.sup=c(241),graph=FALSE)
plot.PCA(res.PCA,choix='var',title="Graphe des variables de l'ACP")
plot.PCA(res.PCA,invisible=c('ind','ind.sup'),select='contrib 804',habillage=241,title="Graphe des individus de l'ACP",label =c('quali'))
```
# Q4: Clustering Kmean / CAH
La plus part des algorithme ne trouvent que 2 classes en tant que nombre optimal lorsque nous appliquons un clustering à l'exception de average ui en trouve 4 et le lien maximum qui en trouve 3, en se basant sur la majorité on pourrait proposer 2 classes, ce qui est tres loin du nombre de classes original.
```{r}
res_cah_ward <-NbClust(x_data[,1:240], distance = "euclidean", min.nc=2, max.nc=10, method = "ward.D2",
index = "ch")
res_cah_average<-NbClust(x_data[,1:240], distance = "euclidean", min.nc=2, max.nc=10, method = "average",
index = "ch")
res_cah_complete <-NbClust(x_data[,1:240], distance = "euclidean", min.nc=2, max.nc=10, method = "complete",
index = "ch")
res_cah_single <-NbClust(x_data[,1:240], distance = "euclidean", min.nc=2, max.nc=10, method = "single",
index = "ch")
res_cah_kmeans <-NbClust(x_data[,1:240], distance = "euclidean", min.nc=2, max.nc=10, method = "kmeans",
index = "ch")
```
```{r}
plot(res.PCA$ind$coord,col=res_cah_ward$Best.partition, main = paste("res_cah_ward clusters : ",length(unique(res_cah_ward$Best.partition))))
plot(res.PCA$ind$coord,col=res_cah_average$Best.partition, main = paste("res_cah_average clusters :",length(unique(res_cah_average$Best.partition))))
plot(res.PCA$ind$coord,col=res_cah_complete$Best.partition, main = paste("res_cah_complete clusters :",length(unique(res_cah_complete$Best.partition))))
plot(res.PCA$ind$coord,col=res_cah_single$Best.partition, main = paste("res_cah_single clusters :",length(unique(res_cah_single$Best.partition))))
plot(res.PCA$ind$coord,col=res_cah_kmeans$Best.partition, main = paste("res_cah_kmeans clusters :",length(unique(res_cah_kmeans$Best.partition))))
```
# Q5 : HCPC
En observant aussi le graph de l'inertie, on peut confirmer que nous avons un coude au niveau de la 3 éme barre. on peut donc proposer 3 classes.
```{r}
res.PCA<-PCA(x_data,ncp=2,quali.sup=c(241),graph=FALSE)
res.HCPC<-HCPC(res.PCA,nb.clust=3,consol=FALSE,graph=FALSE)
plot.HCPC(res.HCPC,choice='tree',title='Arbre hiérarchique')
plot.HCPC(res.HCPC,choice='map',draw.tree=FALSE,title='Plan factoriel')
plot.HCPC(res.HCPC,choice='3D.map',ind.names=TRUE,centers.plot=FALSE,angle=60,title='Arbre hiérarchique sur le plan factoriel')
```
# Q6 : comparaison avec HCPC
```{r}
table(as.vector(res.HCPC$data.clust[,"clust"]),as.vector(res_cah_ward$Best.partition))
table(as.vector(res.HCPC$data.clust[,"clust"]),as.vector(res_cah_kmeans$Best.partition))
table(as.vector(res.HCPC$data.clust[,"clust"]),as.vector(res_cah_complete$Best.partition))
table(as.vector(res.HCPC$data.clust[,"clust"]),as.vector(res_cah_single$Best.partition))
table(as.vector(res.HCPC$data.clust[,"clust"]),as.vector(res_cah_average$Best.partition))
```
# Q7 : MCLUST et RMIXMOD
Mclust trouve 10 classe et choisi comme meilleurs model le model VEV (le plus general volume/orientation variable et shape egale) avec une proportion des classe égal.
Rmixmod trouve aussi 10 classes, cependant le package est beaucoup plus instable, nous avons du restreindre le choix des methodes à essayer, parmis les methodes gardé, la plus efficace est VVV.
Bien que la visualisation en utilisant le premier plan factorielle du PCA est difficile a lire, il a cependant l'air plus fidéle à l'original pour les methodes, nous pouvons donc proposer 10 clusters.
```{r}
set.seed(1)
res.PCA<-PCA(x_data,ncp=15,quali.sup=c(241),graph=FALSE)
res.mclust=Mclust(res.PCA$ind$coord,G = 1:10)
summary(res.mclust$BIC)
plot(res.mclust,what="BIC")
names(res.mclust)
table(res.mclust$class,as.vector(y_data[,1]))
res.mclust$modelName
adjustedRandIndex(res.mclust$class,as.vector(y_data[,1]))
```
```{r}
set.seed(1)
res.mixmod = mixmodCluster(data=as.data.frame(res.PCA$ind$coord),nbCluster=1:10,models=mixmodGaussianModel(listModels = c("Gaussian_pk_Lk_Ck", "Gaussian_pk_L_I", "Gaussian_pk_Lk_I", "Gaussian_pk_L_B", "Gaussian_pk_Lk_B", "Gaussian_pk_L_Bk", "Gaussian_pk_Lk_Bk", "Gaussian_pk_L_C", "Gaussian_pk_Lk_C", "Gaussian_pk_L_Dk_A_Dk", "Gaussian_pk_Lk_Dk_A_Dk", "Gaussian_pk_L_Ck", "Gaussian_pk_Lk_Ck", "Gaussian_p_L_I", "Gaussian_p_Lk_I", "Gaussian_p_L_B", "Gaussian_p_Lk_B", "Gaussian_p_L_Bk", "Gaussian_p_Lk_Bk", "Gaussian_p_L_C", "Gaussian_p_Lk_C", "Gaussian_p_L_Dk_A_Dk", "Gaussian_p_Lk_Dk_A_Dk")))
#
#res.mixmod
summary(res.mixmod)
predictions= mixmodPredict(as.data.frame(res.PCA$ind$coord), classificationRule=res.mixmod["bestResult"])
```
```{r}
pred.rmix = as.vector(predictions["partition"])
pred.mclust = as.vector(res.mclust$class)
true_values = as.vector(y_data[,1])
plot(res.PCA$ind$coord,col=true_values, main = "original")
plot(res.PCA$ind$coord,col=pred.mclust, main = "mclust")
plot(res.PCA$ind$coord,col=pred.rmix, main = "rmixmod")
```
# Q8 : comparer les partitions de mclust et rmixmod
Les resultats des deux packages sont plus ou moins similaire sur la plus part des clusters (exemple cluster 6 de mclust égale au cluster 10 de rmixmod),
```{r}
table(pred.rmix,pred.mclust)
```
# Q9: MclustDR
MclustDR est une methode de reduction de la dimension linéaire utilisé afin de visualiser le resultat de clustering ou de classification obtenue par des mélanges gaussiens.
```{r}
res.mclustdr = MclustDR(res.mclust)
summary(res.mclustdr)
plot(res.mclustdr, what="scatterplot")
plot(res.mclustdr, what="evalues")
```
# Q10: Comparaison des different algorithmes
D'apres les resultats obtenu, on remarque que le nombre de cluster optimal est bel et bien 10, aussi, mclust semble obtenir les meilleurs resultats sur l'ensemble des methodes, les methodes de melanges en general semble obtenir de bien meilleurs resultats comparé aux algorithmes de clustering standard.
Si nous comparons Mclust à Rmixmod, on voit que mclust semble plus performant.
Mclust semble aussi plus rapide, ceci peut étre expliquer par le fait que les deux méthodes utilises de initialisations differente au lancement de leurs algorithmes (cah pour mclust, et un smallEM pour rmixmod), la methode d'initialisation de mclust semble plus rapide et donner de meilleurs resultats en moyenne.
```{r}
pred.rmix = as.vector(predictions["partition"])
pred.mclust = as.vector(res.mclust$class)
true_values = as.vector(y_data[,1])
print(paste("Rmixmod taux de mal classé : ", 1- comparing.Partitions(pred.rmix,true_values)))
print(paste("Mclust taux de mal classé : ", 1-comparing.Partitions(pred.mclust,true_values)))
print(paste("cah ward taux de mal classé : ", 1-comparing.Partitions(res_cah_ward$Best.partition,true_values)))
print(paste("cah average taux de mal classé : ", 1-comparing.Partitions(res_cah_average$Best.partition,true_values)))
print(paste("cah complete de mal classé : ", 1-comparing.Partitions(res_cah_complete$Best.partition,true_values)))
print(paste("cah singe taux de mal classé : ", 1-comparing.Partitions(res_cah_single$Best.partition,true_values)))
print(paste("kmeans taux de mal classé : ", 1-comparing.Partitions(res_cah_kmeans$Best.partition,true_values)))
print("")
print("")
print(paste("Rmixmod ARI : ",adjustedRandIndex(pred.rmix,true_values)))
(paste("Mclust ARI : ",adjustedRandIndex(pred.mclust,true_values)))
print(paste("cah_ward ARI : ",adjustedRandIndex(res_cah_ward$Best.partition,true_values)))
(paste("cah_average ARI : ",adjustedRandIndex(res_cah_average$Best.partition,true_values)))
(paste("cah_complete ARI : ",adjustedRandIndex(res_cah_complete$Best.partition,true_values)))
(paste("cah_single ARI : ",adjustedRandIndex(res_cah_single$Best.partition,true_values)))
(paste("kmeans ARI : ",adjustedRandIndex(res_cah_kmeans$Best.partition,true_values)))
print("")
print("")
print(paste("Rmixmod NMI : ",NMI(pred.rmix,true_values)))
(paste("Mclust NMI : ",NMI(pred.mclust,true_values)))
print(paste("cah_ward NMI : ",NMI(res_cah_ward$Best.partition,true_values)))
(paste("cah_average NMI : ",NMI(res_cah_average$Best.partition,true_values)))
(paste("cah_complete NMI : ",NMI(res_cah_complete$Best.partition,true_values)))
(paste("cah_single NMI : ",NMI(res_cah_single$Best.partition,true_values)))
(paste("kmeans NMI : ",NMI(res_cah_kmeans$Best.partition,true_values)))
```
# Q11: TSNE
```{r}
tsne_res <- Rtsne(x_data[,1:240], dims = 2, perplexity=30, verbose=TRUE, max_iter = 2500)
```
```{r}
tnse_df = as.data.frame(tsne_res$Y)
tnse_df = cbind(tnse_df,true_values, pred.rmix, pred.mclust)
names(tnse_df) = c("c1", "c2", "lab", "rmix", "mclust")
ggplot(tnse_df, aes(c1, y=c2, color=as.factor(lab)) ) + geom_point()
ggplot(tnse_df, aes(c1, y=c2, color=as.factor(rmix)) ) + geom_point()
ggplot(tnse_df, aes(c1, y=c2, color=as.factor(mclust))) + geom_point()
```
# Q12 : Reduction par autoencoder
On remarque des resultats legerements superieur pour Rmixmod par rapport à mclust sur l'ensemble des metrics.
De maniére plus general la methode de reduction de dimension n'a pas changé grand chose dans ce cas precis, cela peut étre due au paramétrage de notre auto encoder.
```{r}
h2o.init()
```
```{r}
ae_model <- h2o.deeplearning(x=c(1:240),
model_id="ae_model",
training_frame=as.h2o(x_data[,1:240]),
activation="Tanh",
ignore_const_cols=FALSE,
autoencoder=TRUE,
hidden=c(32,16, 8,16,32),
epochs=75,
reproducible=T,
seed=1)
```
```{r}
features <- h2o.deepfeatures(ae_model, as.h2o(x_data[,1:240]), layer=3)
```
```{r}
set.seed(1)
res.mclust=Mclust(features, G = 1:10)
summary(res.mclust$BIC)
plot(res.mclust,what="BIC")
names(res.mclust)
table(res.mclust$class,as.vector(y_data[,1]))
res.mclust$modelName
adjustedRandIndex(res.mclust$class,as.vector(y_data[,1]))
```
```{r}
res.mixmod = mixmodCluster(data=as.data.frame(features), nbCluster=1:10,models=mixmodGaussianModel(listModels = c("Gaussian_pk_Lk_Ck", "Gaussian_pk_L_I", "Gaussian_pk_Lk_I", "Gaussian_pk_L_B", "Gaussian_pk_Lk_B", "Gaussian_pk_L_Bk", "Gaussian_pk_Lk_Bk", "Gaussian_pk_L_C", "Gaussian_pk_Lk_C", "Gaussian_pk_L_Dk_A_Dk", "Gaussian_pk_Lk_Dk_A_Dk", "Gaussian_pk_L_Ck", "Gaussian_pk_Lk_Ck", "Gaussian_p_L_I", "Gaussian_p_Lk_I", "Gaussian_p_L_B", "Gaussian_p_Lk_B", "Gaussian_p_L_Bk", "Gaussian_p_Lk_Bk", "Gaussian_p_L_C", "Gaussian_p_Lk_C", "Gaussian_p_L_Dk_A_Dk", "Gaussian_p_Lk_Dk_A_Dk")))
```
```{r}
predictions= mixmodPredict(as.data.frame(features), classificationRule=res.mixmod["bestResult"])
```
```{r}
pred.rmix = as.vector(predictions["partition"])
pred.mclust = as.vector(res.mclust$class)
true_values = as.vector(y_data[,1])
print(paste("Rmixmod taux de bien classé : ", comparing.Partitions(pred.rmix,true_values)))
print(paste("Mclust taux de bien classé : ", comparing.Partitions(pred.mclust,true_values)))
print(paste("Rmixmod ARI : ",adjustedRandIndex(pred.rmix,true_values)))
(paste("Mclust ARI : ",adjustedRandIndex(pred.mclust,true_values)))
print(paste("Rmixmod NMI : ",NMI(pred.rmix,true_values)))
(paste("Mclust NMI : ",NMI(pred.mclust,true_values)))
```
```