基于稀疏模型的三方数据聚类方法：Lasso型惩罚
摘要：矩阵高斯分布混合提供了对连续矩阵变量数据进行聚类的概率框架，这种数据在各个领域越来越普遍。尽管这种方法被广泛采用并成功应用，但它存在过参数化问题，使得它即使对于中等大小的矩阵变量数据也不太适用。为了克服这个缺点，我们引入了一种稀疏模型聚类方法用于三维数据。我们的方法假设矩阵混合参数是稀疏的，并且在不同的簇中具有不同的稀疏程度，可以灵活地引入简约性。模型的估计依赖于最大化惩罚似然，其中具有特殊设计的组和图拉索惩罚。这些惩罚能够选择最具信息量的特征，适用于在多个场合记录变量的三维数据聚类，并能够捕捉特定簇的关联结构。我们在合成数据上广泛测试了所提出的方法，并在应用于不同美国城市的时变犯罪模式时证明了其有效性。
作者：Andrea Cappozzo, Alessandro Casa and Michael Fop
论文ID：2307.10673
分类：Computation
分类简称：stat.CO
提交时间：2023-07-21