Bootstrapping for Significance of Compact Clusters in Multidimensional Datasets
多维数据中紧凑聚类显著性的自助法评估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：摘要讨论一般聚类显著性和图像颜色量化，没有所列经济或金融领域的直接依据。
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…
多维数据中紧凑聚类显著性的自助法评估
- 研究问题
- 在多维数据聚类中，如何判断增加聚类成分是否有显著证据支持，并据此选择成分数或图像量化所需的颜色数？
- 方法与思路
- 作者提出自助法比较两个模型，仅在证据显著支持时选择更复杂模型，并用分类数据、模拟和图像颜色量化展示程序。
- 材料陈述的贡献
- 摘要称，该方法在成分数估计模拟中表现良好，并可用于确定不显著损失图像分辨率时的最少及最优颜色数量。
- 阅读关注点
- 应核对模型比较的原假设、重抽样机制、紧凑聚类的定义，以及逐次比较时的错误控制和图像分辨率损失标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明检验统计量、有效性条件和模拟数值，不能验证所称优秀表现或推断刊本变化。
原文摘要
This article proposes a bootstrap approach for assessing significance in the clustering of multidimensional datasets. The procedure compares two models and declares the more complicated model a better candidate if there is significant evidence in its favor. The performance of the procedure is illustrated on two well-known classification datasets and comprehensively evaluated in terms of its ability to estimate the number of components via extensive simulation studies, with excellent results. The methodology is also applied to the problem of k-means color quantization of several standard images in the literature and is demonstrated to be a viable approach for determining the minimal and optimal numbers of colors needed to display an image without significant loss in resolution. Additional illustrations and performance evaluations are provided in the online supplementary material.