公里

KmL:纵向数据的k均值。提出了一种实现k-means的新软件包KmL。与现有程序相比,KmL的优势在于它专门用于纵向数据。这个包能够处理丢失的值。它还提供了一种简单的方法,可以多次运行该算法,改变启动条件和查找的群集数量。它的图形界面有助于用户在经典标准无效时选择适当数量的簇。给出了人工数据和真实数据的仿真结果。将$k$-均值在纵向数据上的表现与Proc-Traj结果进行比较。仿真结果表明,KmL(如Proc-Traj)对所有多项式例子都给出了可接受的结果,即使在高噪声水平下也是如此。KmL在非多项式轨迹上给出了更好的结果。同时指出KmL不是基于模型的,这可能是一个优点(非参数,更灵活),但也有缺点(没有测试拟合优度的范围)。


zbMATH中的参考文献(参考12篇文章,1标准件)

显示第1到第12个结果,共12个。
按年份排序(引用)

  1. Monsuru Adepeju,Samuel Langton,Jon Bannister:Akmedoids R包,用于生成纵向数据集的定向同质簇(2020)不是zbMATH
  2. Han,Shengtong;Zhang,Hongmei;Sheng,Wenhui;Arshad,Hasan:基于Dirichlet过程混合模型的嵌套联合聚类(2019)
  3. Maharaj,Elizabeth Ann;Teles,Paulo;Brito,Paula:区间时间序列聚类(2019)
  4. Usami,Satoshi;Jacobucci,Ross;Hayes,Timothy:基于潜在增长曲线模型的结构方程模型树的性能,以揭示增长轨迹中的种群异质性(2019年)
  5. D'Urso,Pierpaolo;De Giovanni,Livia;Massari,Riccardo:多元时间轨迹的鲁棒模糊聚类(2018)
  6. 徐培荣;彭恒;黄涛:纵向数据混合回归模型的无监督学习(2018)
  7. Han,Shengtong;Zhang,Hongmei;Karamus,Wilfried;Roberts,Graham;Arshad,Hasan:纵向数据聚类分析中的背景噪声调整(2017)
  8. Proïa,Frédéric;Pernet,Alix;Thouroude,Tatiana;Michel,Gilles;Clotault,Jérémy:使用高斯混合模型描述开花曲线(2016)
  9. Christophe Genolini;Xavier Alacoque;Mariane Sentenac;Catherine Arnaud:kml和kml3d:R数据包聚类纵向数据(2015)不是zbMATH
  10. Goffard,Pierre Olivier;Guerrault,Xavier:在基于模型点的BEL计算中,按年龄、性别和资历对投保人进行分组是最优的吗?(2015年)
  11. Schels,Martin;Scherer,Stefan;Glodek,Michael;Kestler,Hans A.;Palm,Günther;Schwenker,Friedhelm:关于利用信息融合发现EEG数据中的事件(2013)
  12. Genolini,Christophe;Falissard,Bruno:KmL:k-纵向数据均值(2010)