大数据之基于模型的复杂数据多维聚类析(三)

除了聚类，对于这个数据的分析还告诉我们一些隐藏很深的关系。比如在模型中变量Y2和Y3有连线，这表明一个人的背景信息和他对于贪污的容忍程度应该有一定的关联关系。具体地说，在Y2所表示的4类人中，你觉得哪一类是最能容忍贪污，而哪一类是最不能容忍贪污的呢?在模型中，通过对这两个变量的条件概率的分析，我们得到了一个答案，有兴趣的同学可以去论文中验证一下自己的猜测。

相关学术工作

隐树模型在密度估计，近似推理及隐结构发现等方面都有具体的应用。在多维聚类分析的应用上，我们分析过市场学数据(COILChallenge 2000)，某地区的社会调查数据(ICAC)，NBA篮球运动员比赛统计数据。最近，随着算法的提速，隐树模型开始被尝试用于文本分析，比如对于网页数据，博客数据等的话题分析。隐树模型最开始的提出是为了对中医的证候分析提供统计解释，有兴趣的同学可以参考隐结构模型与中医证研究。

最近两年，多维聚类分析引起了很多机器学习研究人员的兴趣。从2010年开始的MultiClust Workshop已经举办了两届，其中第一届是和KDD2010一起举办，第二届是和ECML/PKDD2011一起举办。而第三届也会与SDM2012一起举办。具体参考文献这儿也不罗列了。

多维聚类分析和基于多视图的学习不应该混淆。多视图学习假设数据的多个视图已知，要求视图之间存在充分性(Sufficiency)和冗余性(Redundancy)，通过协同训练等技术，主要提高半监督学习，主动学习的性能。多视图学习中针对聚类这样的无监督任务的研究很少，而且它的目标也是如何提高单一的聚类划分的质量，而不是找到多种划分方法。多视图学习也极少涉及如何发现多个视图，而不是假设他们已知。这方面南京大学周志华教授在今年的中国机器学习及其应用研讨会上提到一些初步研究。实际中，可以考虑先用多维聚类分析找到数据的多个侧面(视图)，然后再应用多视图学习的方法。

总结

对于一个复杂数据，比如文本，视频，图像，或者生物实验数据，人们可以从不同的角度去诠释这样的数据。数据分析家们已经有了这样的共识，那就是以前的单维聚类方法不再适合大数据的多样性特征。多维聚类分析通过对单维聚类问题的扩展，为复杂数据提供了一种新的探索性分析的方式。我们通过找到数据的不同侧面，按照这些侧面进行分别聚类，然后把各种聚类结果全部以一种简单的方式呈现给领域专家，由专家决定他认为最合适的聚类方法。这样的工作流程清晰定义数据科学家和领域专家的职能，通过两者的合作，提高数据的聚类结果，并且提升数据的可解释性。