我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
聚类在统计学和机器学习中得到了广泛的研究,在许多领域都有应用。与返回单个聚类解的聚合层次聚类或k-means等流行算法不同,贝叶斯非参数模型在整个分区空间上提供了一个后验值,允许评估统计特性,例如簇数的不确定性。然而,一个重要的问题是如何总结后面的内容;分区空间的巨大尺寸和可视化的困难增加了这个问题。在贝叶斯分析中,通常通过报告点估计值(如后验均值)以及95%可信区间来总结实际值感兴趣参数的后验值,以表征不确定性。在本文中,我们将这些思想扩展到开发适当的点估计和可信集,以基于决策和信息论技术总结聚类结构的后验性。
萨拉·韦德。 邹宾·加拉马尼(Zoubin Ghahramani)。 “贝叶斯聚类分析:点估计和可信球(讨论)。” 贝叶斯分析。 13 (2) 559 - 626, 2018年6月。 https://doi.org/10.1214/17-BA1073