Consistent selection of the number of clusters via crossvalidation
通过交叉验证一致选择聚类数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，未涉及所列微观、宏观或金融细分方向的明确对象。
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
通过交叉验证一致选择聚类数
- 研究问题
- 如何选择聚类数量，使选择准则既适用于基于距离的聚类，也适用于其他算法，并反映算法对抽样随机性的稳定程度？
- 方法与思路
- 作者以聚类算法面对抽样随机性时的不稳定性为选择标准，通过交叉验证估计该指标，选择使不稳定性最小的聚类数。
- 材料陈述的贡献
- 摘要称提出了适用范围较广的选择准则与不稳定性估计方案，并在适当划分数据时建立渐近选择一致性。
- 阅读关注点
- 应核对不稳定性的定义、训练与验证样本的划分规则、一致性所需条件，以及数值实验中的算法与聚类结构。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；“适当划分”的具体要求与数值结果未说明，不能据此保证任意算法或样本下有效。
原文摘要
In cluster analysis, one of the major challenges is to estimate the number of clusters. Most existing approaches attempt to minimize some distance-based dissimilarity measure within clusters. This article proposes a novel selection criterion that is applicable to all kinds of clustering algorithms, including distance based or non-distance based algorithms. The key idea is to select the number of clusters that minimizes the algorithm's instability, which measures the robustness of any given clustering algorithm against the randomness in sampling.Anovel estimation scheme for clustering instability is developed based on crossvalidation. The proposed selection criterion's effectiveness is demonstrated on a variety of numerical experiments, and its asymptotic selection consistency is established when the dataset is properly split.