Estimating the Number of Clusters in a Data Set Via the Gap Statistic
利用 Gap 统计量估计数据集中的聚类数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：摘要研究通用聚类数选择，没有所列经济计量细分方向的明确依据。
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…
利用 Gap 统计量估计数据集中的聚类数
- 研究问题
- 给定数据和聚类算法，如何判断合适的聚类数，并区分真实聚类结构与参考零分布下也可能出现的簇内离散程度变化？
- 方法与思路
- 作者提出 Gap 统计量，将聚类算法产生的簇内离散程度变化，与适当参考零分布下预期出现的变化进行比较。
- 材料陈述的贡献
- 摘要称方法可使用不同聚类算法的输出，并提供部分理论；模拟中通常优于已有方法，但具体比较范围未说明。
- 阅读关注点
- 应核对参考零分布的选择、离散程度指标和聚类数决策规则，以及模拟中的数据结构、比较方法与评价指标。
- 阅读边界
- 仅依据所给 Crossref 摘要；模拟优势是作者陈述，未提供具体结果，不能推断其在任意数据或聚类算法上占优。
原文摘要
Summary We propose a method (the ‘gap statistic’) for estimating the number of clusters (groups) in a set of data. The technique uses the output of any clustering algorithm (e.g. K-means or hierarchical), comparing the change in within-cluster dispersion with that expected under an appropriate reference null distribution. Some theory is developed for the proposal and a simulation study shows that the gap statistic usually outperforms other methods that have been proposed in the literature.