型号选择 - mclust-Java 学习之路

我使用软件包MCLUST在R中进行了潜在的类/聚类分析 . 我对我的论文进行了修改和重新提交，审稿人建议制作一个关于集群解决方案的拟合指数的表格（截至目前我刚刚在文中报告了BIC） . 当我看几篇使用过LCA方法的论文时，他们报告了BIC，样本量调整后的BIC和熵; MCLUST给出的唯一合适的统计数据是BIC . 我可以找到熵图而不是熵统计量 . 对我来说，重新运行我对Mplus的分析有点晚了（我发现这些分析用于这些论文中的LCA） . 坦率地说，使用另一个集群包重新运行我的分析有点晚了 . 从我的所有阅读中可以看出，MCLUST的做法与其他一些k-means集群方法的做法略有不同 . 此外 - 似乎有时会选择具有最低BIC的模型（在某些论文中）但在MCLUST中选择最高的模型？为什么？

所以，tldr;使用MCLUST时，在报告中报告了哪些其他模型选择统计数据？只有bIC是标准/好吗？我该如何证明这一点？

1 回答

2
只是几个想法，之前曾使用过mclust .

1）mclust使用正确的BIC选择方法;看这篇文章：

https://stats.stackexchange.com/questions/237220/mclust-model-selection

看到最底层，但总结一下，BIC取决于您是否使用公式中的负号，无论您是优化低值还是高值：

BIC的一般定义是BIC = -2×ln（L（θ| x））k×ln（n）BIC = -2×ln（L（θ| x））k×ln（n）; mclust不包括负面成分 .

2）mclust使用混合模型来执行聚类（即基于模型）;它与k-means完全不同所以我会小心这句话，它“与其他一些k-means集群方法有点不同”（主要是“其他”暗示的）; mclust手册中简要描述了模型选择的过程：

mclust提供了一种高斯混合，通过EM算法通过最大似然拟合数据，用于根据BIC选择的模型和组件数量 . 根据参考部分引用的文章中描述的方法，根据熵标准对相应的组件进行分层组合 . 由BIC和一个选择的类之间具有类数的解决方案作为clustCombi类对象返回 .

查看实际论文以获得详尽解释更有用：

https://www.stat.washington.edu/raftery/Research/PDF/Baudry2010.pdf或在这里https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2953822/

由mclust提供的熵图意味着被解释为用于因子分析的scree图（即，通过寻找肘来确定最佳类的数量）;我认为scree图可用于证明簇数的选择是合理的，这些图属于附录 .

除了BIC之外，mclust还会返回ICL统计信息，因此您可以选择将此报告作为对审阅者的妥协：

https://cran.r-project.org/web/packages/mclust/vignettes/mclust.html（请参阅有关如何输出统计信息的示例）

3）如果你想创建一个entPlot值表，你可以像这样提取它们（来自？entPlot示例）：
```
## Not run: 
data(Baudry_etal_2010_JCGS_examples)
# run Mclust to get the MclustOutput
output <- clustCombi(ex4.2, modelNames = "VII") 

entPlot(output$MclustOutput$z, output$combiM, reg = c(2,3)) 
# legend: in red, the single-change-point piecewise linear regression;
#         in blue, the two-change-point piecewise linear regression.

# added code to extract entropy values from the plot

combiM <- output$combiM
Kmax <- ncol(output$MclustOutput$z)
z0 <- output$MclustOutput$z
ent <- numeric()

for (K in Kmax:1) {
  z0 <- t(combiM[[K]] %*% t(z0))
  ent[K] <- -sum(mclust:::xlog(z0))
}

data.frame(`Number of clusters` = 1:Kmax, `Entropy` = round(ent, 3))

  Number.of.clusters Entropy
1                  1   0.000
2                  2   0.000
3                  3   0.079
4                  4   0.890
5                  5   6.361
6                  6  20.158
7                  7  35.336
8                  8 158.008
```
回复于 2024-04-28T21:42:56+08:00

型号选择 - mclust

1 回答

相关问题