Foi difícil interpretar clusters resultantes de uma matriz de adjacência. Eu tenho 200 matrizes relativamente grandes que representam assuntos que contêm correlações parciais (escores z) de séries temporais (dados neurais). O objetivo é agrupar essas 210 matrizes e detectar possíveis comunidades não descobertas. Fiz outros cálculos de correlação parcial, resultando na matriz de adjacência de 200x200. Sempre que executo um algoritmo de detecção de comunidade (por exemplo, o de Newmann), ele aparece com comunidades dificilmente interpretáveis.
A questão é: que tipo de testes estatísticos dirão se essas comunidades ou grupos são significativos? e se sim, existem maneiras sistemáticas de elaborar a interpretação?
clustering
neuroimaging
Fahd
fonte
fonte
Respostas:
Eu fiz alguns trabalhos no passado sobre agrupamento espectral que podem ser úteis aqui. A idéia básica é que se possa usar a matriz de adjacência para formar a chamada matriz de Laplacian:
fonte
Eu estou olhando para o mesmo problema no momento. Da análise rápida, parece que o agrupamento espectral é a maneira mais "natural" de analisar uma matriz de adjacência. Veja esta postagem do blog para mais detalhes.
fonte
Como alternativa ... Dados neurais (reais ou artificiais) geralmente são uma representação altamente compactada dos dados, o que significa que os dados são muito aleatórios, o que significa que você não encontrará correlações. Qual você tem !! Parabéns! :)
fonte