Variable Selection for Model-Based Clustering
基于模型的聚类中的变量选择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：摘要聚焦一般聚类与特征选择，未涉及离散选择行为模型或其他所列经济计量细分方向。
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
基于模型的聚类中的变量选择
- 研究问题
- 在基于模型的聚类中，如何识别与分组有关的变量，并同时确定簇数和聚类模型，减少无关变量的影响？
- 方法与思路
- 作者将嵌套变量子集的比较转化为模型比较，以近似贝叶斯因子作判断，并用贪婪搜索寻找模型空间中的局部最优。
- 材料陈述的贡献
- 摘要称方法可联合选择变量、簇数和模型；在所考察示例中，相较使用全部变量，分组数量估计与分类误差表现更好。
- 阅读关注点
- 应核对嵌套子集比较的模型设定、贝叶斯因子近似、搜索停止规则，以及模拟和实证中的比较方法与评价指标。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明优势成立的普遍条件，贪婪搜索也只声称寻找局部最优。
原文摘要
We consider the problem of variable or feature selection for model-based clustering. The problem of comparing two nested subsets of variables is recast as a model comparison problem and addressed using approximate Bayes factors. A greedy search algorithm is proposed for finding a local optimum in model space. The resulting method selects variables (or features), the number of clusters, and the clustering model simultaneously. We applied the method to several simulated and real examples and found that removing irrelevant variables often improved performance. Compared with methods based on all of the variables, our variable selection method consistently yielded more accurate estimates of the number of groups and lower classification error rates, as well as more parsimonious clustering models and easier visualization of results.