📊 statistics

Local depth-based classification of directional data

Dit artikel introduceert een nieuwe classificatiemethode voor directionele data door het gebruik van een lokaal dieptemaat in DD-plots, waarvan de effectiviteit wordt aangetoond via simulaties en toepassing op reële datasets.

Oorspronkelijke auteurs: Giuseppe Gismondi, Rebecca Rivieccio, Giuseppe Pandolfo

Gepubliceerd 2026-02-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Giuseppe Gismondi, Rebecca Rivieccio, Giuseppe Pandolfo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Hoe vind je je weg in een wereld zonder "boven" of "onder"?

Stel je voor dat je data niet ziet als getallen op een lijn, maar als pijlen die in alle richtingen wijzen. Denk aan windrichtingen, de richting van magnetische velden in rotsen, of de voorkeur van mensen voor bepaalde smaken. In de wiskunde noemen we dit richtingsdata.

Het probleem is: hoe vergelijk je deze pijlen? Op een rechte lijn weet je dat 5 groter is dan 3. Maar op een bol (zoals de aarde) is er geen "boven" of "onder". Een pijl die naar het noorden wijst, is niet per se "groter" dan een pijl die naar het zuiden wijst.

Om dit op te lossen, gebruiken statistici een trucje genaamd diepte (depth).

De Analogie: Stel je een grote groep mensen voor die op een plein staan. De "diepte" van een persoon is een maatstaf voor hoe centraal ze staan. Iemand in het midden van de kring heeft een hoge diepte. Iemand die helemaal aan de rand staat, heeft een lage diepte.

Het Oude Probleem: De "Globale" Bril

Vroeger gebruikten statistici een globale diepte-methode.

De Vergelijking: Dit is alsof je een foto maakt van het hele plein en kijkt naar het gemiddelde centrum. Als de mensen in twee duidelijke groepen staan (bijvoorbeeld links en rechts), ziet de globale methode dit als één grote, rommelige kring in het midden.
Het Nadeel: Als je twee groepen mensen hebt die ver uit elkaar staan (bijvoorbeeld een groep links en een groep rechts), denkt de globale methode: "Ah, het midden ligt precies tussen die twee groepen in." Maar dat is niet waar! Iemand die bij de linkergroep hoort, wordt door de globale methode soms ten onrechte als "raar" of "buitenstaander" bestempeld, omdat hij ver weg is van het totale centrum.

Dit werkt goed als iedereen in één grote, ronde kluwen staat. Maar als de data uit meerdere losse groepen (clusters) bestaat, faalt deze methode.

De Nieuwe Oplossing: De "Lokale" Bril

De auteurs van dit paper (Giuseppe Gismondi en collega's) hebben een nieuwe methode bedacht: Lokale Cosine Distance Depth (LCDD).

De Creatieve Analogie: Stel je voor dat je in plaats van naar het hele plein te kijken, een verrekijker gebruikt.
- Met de globale methode kijk je met een groothoeklens naar alles.
- Met de nieuwe lokale methode zoom je in op een klein groepje mensen om je heen. Je vraagt: "Wie zit er hier in de buurt?"
- Als je bij de linkergroep staat, kijkt de lokale methode alleen naar de mensen links. Voor die mensen ben jij een "centrale" figuur. De mensen rechts zijn voor jou irrelevant.

Dit is de kracht van hun nieuwe methode: LCDD. Het kijkt niet naar de hele wereld, maar naar de directe omgeving van een punt. Hierdoor kan het onderscheid maken tussen verschillende groepen, zelfs als die groepen ver uit elkaar liggen of vreemde vormen hebben.

Hoe werkt de classificatie? (Het "DD-Plot" Spel)

Om nieuwe data te classificeren (bijvoorbeeld: "Is dit een spammail of geen spammail?"), gebruiken ze een spelletje dat ze DD-plot noemen.

Het Spel: Je neemt een nieuw punt en meet twee dingen:
- Hoe "diep" zit dit punt in Groep A?
- Hoe "diep" zit dit punt in Groep B?
Het Grafiekje: Je plukt deze twee getallen op een grafiekje.
- Als het punt echt bij Groep A hoort, zit het hoog op de A-as en laag op de B-as.
- Als het bij Groep B hoort, is het andersom.
De Scheidslijn: De computer trekt een lijn door het grafiekje. Alles boven de lijn is Groep A, alles eronder is Groep B.

Met de oude, globale methode is die lijn vaak krom of onnauwkeurig als de groepen complex zijn. Met de nieuwe lokale methode (LCDD) wordt de lijn veel scherper, omdat de diepte-metingen veel nauwkeuriger zijn voor die specifieke groepen.

Wat zeggen de resultaten?

De auteurs hebben dit getest in twee situaties:

De Simulaties (Het Virtuele Plein):
- Ze creëerden virtuele data met verschillende vormen: soms één grote kluwen, soms twee losse groepen, soms zelfs vreemde ringvormen.
- Resultaat: Als de data simpel is, werkt de oude methode prima. Maar zodra de data complex wordt (veel losse groepen, of "ruis" door toeval), wint de lokale methode het ruimschoots. Het maakt minder fouten.
- Interessant detail: Als de data heel erg "ruis" bevat (alsof iedereen op het plein wild rondrent), maakt het niet meer uit welke methode je kiest; beide hebben moeite.
De Realiteit (Echte Data):
- Winkels: Ze keken naar klanten van een groothandel. Sommige klanten kopen veel verse producten, anderen veel schoonmaakmiddelen. De lokale methode kon deze groepen beter van elkaar scheiden dan de oude methode.
- Spam-mails: Ze keken naar e-mails. De lokale methode kon spam beter herkennen dan de oude methode, vooral omdat de "woorden" in spam vaak in specifieke, lokale patronen voorkomen die de globale methode over het hoofd zag.

Conclusie in één zin

Deze paper introduceert een slimme nieuwe manier om data te analyseren die niet naar de hele wereld kijkt, maar zich concentreert op de directe omgeving. Hierdoor kunnen computers veel beter onderscheid maken tussen verschillende groepen, zelfs als die groepen vreemd gevormd zijn of ver uit elkaar liggen.

Kortom: Van "kijken naar de hele menigte" naar "kijken naar je buren". En dat werkt vaak veel beter!

Titel: Lokale diepte-gebaseerde classificatie van directionele data

Auteurs: Giuseppe Gismondi, Rebecca Rivieccio en Giuseppe Pandolfo

1. Probleemstelling

Directionele data (data uitgedrukt als hoeken of eenheidsvectoren op een hypersfeer $S^{q-1}$ ) komen veel voor in toepassingen zoals geologie, meteorologie en psychologie. Een fundamentele uitdaging bij het analyseren van dergelijke data is het ontbreken van een natuurlijke ordening en de complexiteit van de geometrie (geen lineaire structuur).

Traditionele statistische dieptefuncties (data depth) bieden een "centrum-naar-buiten" ordening van data, wat essentieel is voor classificatie. Echter, bestaande globale dieptefuncties (zoals de Cosine Distance Depth - CDD) beschrijven alleen de algehele centraliteit ten opzichte van de volledige verdeling. Dit werkt goed voor unimodale en convex verdeelde data, maar faalt bij:

Multimodale verdelingen: Waar meerdere lokale centra bestaan.
Niet-convexe structuren: Waar klassen complex gevormd zijn.
In deze gevallen kunnen globale diepten geen zinvolle representatie van centraliteit bieden, wat leidt tot slechte classificatieprestaties.

2. Methodologie

De auteurs stellen een nieuwe methode voor die lokale centraliteit combineert met de DD-plot (Depth vs. Depth plot) voor classificatie.

A. Lokale Cosine Distance Depth (LCDD)

De kern van de bijdrage is de ontwikkeling van de Local Cosine Distance Depth (LCDD), een lokale variant van de bestaande Cosine Distance Depth (CDD).

Definitie: De LCDD van een punt $x_i$ wordt berekend binnen een gedefinieerd "buurman-gebied" (neighbourhood) bepaald door een parameter $\beta \in (0, 1]$ .
Mechanisme: Het concept maakt gebruik van een reflectie-operator op de hypersfeer. Voor een punt $x_i$ worden de andere punten in de steekproef gespiegeld ten opzichte van $x_i$ . De diepte wordt vervolgens berekend op basis van de afstanden tot deze gespiegelde punten, maar beperkt tot de $\beta(n-1)$ dichtstbijzijnde buren.
Theoretisch inzicht: Het artikel bewijst dat bij het gebruik van de CDD, het ordenen van punten op basis van hun diepte in het gespiegelde gebied equivalent is aan het ordenen op basis van de kosinusaftand (dichtstbijzijnde buren). Dit maakt de berekening computatie-efficiënt.
Eigenschappen:
- Bij $\beta = 1$ convergeert LCDD naar de globale CDD.
- Bij kleine $\beta$ focust het op lokale structuur en kan het meerdere modus (pieken) in de data detecteren.
- De functie is rolatie-invariant en strikt positief.

B. DD-Classifier met LCDD

De LCDD wordt toegepast in een tweestapsprocedure voor classificatie:

DD-Plot: Voor twee klassen ( $F_1$ en $F_2$ ) wordt voor elk datapunt de LCDD-waarde berekend ten opzichte van beide klassen. Dit transformeert de data naar een 2D-streepdiagram met coördinaten $(LCDD(x, F_1), LCDD(x, F_2))$ .
Scheiding: Een polynoomfunctie $s(\cdot)$ wordt gefit om de twee klassen in deze 2D-ruimte zo goed mogelijk te scheppen, waarbij het doel is de classificatiefout te minimaliseren.
Parameterselectie: De lokale parameter $\beta$ en de graad van het polynoom worden automatisch geselecteerd via cross-validatie om de beste prestaties te behalen.

3. Belangrijkste Bijdragen

Introductie van LCDD: Een wiskundig onderbouwde lokale dieptefunctie specifiek voor directionele data die de beperkingen van globale diepten oplost bij multimodale data.
Theoretische Eigenschappen: Bewijzen van consistentie, continuïteit en convergentie van de LCDD naar de globale CDD wanneer $\beta \to 1$ .
Integratie in DD-classificatie: Een complete classificatieroutine die de lokale diepte combineert met de DD-plot, inclusief een bewijs van Bayes-consistentie onder bepaalde aannames.
Computationale Efficiëntie: Door de relatie met de dichtstbijzijnde buren (nearest neighbors) blijft de methode rekenbaar zelfs in hoge dimensies, in tegenstelling tot geometrische diepten (zoals simpliciale diepte) die NP-moeilijk kunnen zijn.

4. Resultaten

De methode werd geëvalueerd via uitgebreide simulaties en twee real-world voorbeelden.

Simulatiestudie

Twee scenario's werden getest met von Mises-Fisher (vMF) en Watson-verdelingen:

Scenario 1 (vMF): Data met meerdere clusters per klasse.
- Resultaat: LCDD presteerde aanzienlijk beter dan globale CDD bij complexe, multimodale structuren, vooral bij lage ruisniveaus.
- Bij zeer hoge ruis en hoge dimensies (25) waren de prestaties van beide methoden vergelijkbaar.
Scenario 2 (Watson): Niet-convexe en bipolaire structuren.
- Resultaat: LCDD overtrof de globale CDD consistent onder alle omstandigheden. De globale methode faalde hier omdat het de lokale structuren niet kon onderscheiden.

Real-World Toepassingen

Groothandel Klanten: Classificatie van klanten op basis van uitgavenpatronen (compositional data).
- LCDD ( $\beta=0.05$ ) verbeterde de classificatiefout met ongeveer 4,5% ten opzichte van de globale methode.
SPAM Database: Classificatie van e-mails (hoge dimensie tekstdata).
- LCDD ( $\beta=0.01$ ) leverde een verbetering van 8% op. De optimale $\beta$ was hier zeer klein, wat wijst op zeer lokale patronen in de data.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het introduceren van een lokale schaal in dieptefuncties cruciaal is voor het classificeren van directionele data met complexe, niet-convexe of multimodale structuren.

Flexibiliteit: De LCDD-gebaseerde classifier is robuust en past zich aan aan de lokale dichtheid van de data, wat het een superieur alternatief maakt voor traditionele globale methoden in realistische scenario's.
Praktische Toepasbaarheid: De methode is implementeerbaar in hoge dimensies en levert consistent betere resultaten op bij real-world datasets, zoals marketingdata en tekstmining.
Toekomst: De auteurs suggereren verdere uitbreiding naar multiclass-problemen en andere manifolds.

Kortom, het artikel biedt een theoretisch solide en praktisch effectieve oplossing voor een van de grootste uitdagingen in de directionele statistiek: het correct modelleren van lokale structuur in complexe data.