Model-Based Clustering, Discriminant Analysis, and Density Estimation
基于模型的聚类、判别分析与密度估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用聚类、判别与密度估计，未明确涉及经济计量中的结构估计、因子模型或分布效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于模型的聚类、判别分析与密度估计
- 研究问题
- 聚类分析如何以统计模型为依据，处理簇数选择、方法选择和异常值等实践问题，并服务于判别分析与多元密度估计？
- 方法与思路
- 作者综述基于模型的聚类方法，介绍其在判别分析和密度估计中的用途，以多类应用说明，并讨论非高斯、高维及大数据扩展。
- 材料陈述的贡献
- 摘要称，文章提供处理聚类实践问题的系统统计框架，展示跨任务应用，并讨论方法局限及贝叶斯估计等近期发展。
- 阅读关注点
- 应核对模型族、簇数选择和异常值处理机制，区分综述内容与文章自身结果，并查看非高斯及高维扩展的适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；这是方法综述式材料，未提供具体比较结果，不能认定该框架在所有数据上优于启发式方法。
原文摘要
Cluster analysis is the automated search for groups of related observations in a dataset. Most clustering done in practice is based largely on heuristic but intuitively reasonable procedures, and most clustering methods available in commercial software are also of this type. However, there is little systematic guidance associated with these methods for solving important practical questions that arise in cluster analysis, such as how many clusters are there, which clustering method should be used, and how should outliers be handled. We review a general methodology for model-based clustering that provides a principled statistical approach to these issues. We also show that this can be useful for other problems in multivariate analysis, such as discriminant analysis and multivariate density estimation. We give examples from medical diagnosis, minefield detection, cluster recovery from noisy data, and spatial density estimation. Finally, we mention limitations of the methodology and discuss recent developments in model-based clustering for non-Gaussian data, high-dimensional datasets, large datasets, and Bayesian estimation.