健康科学中聚类与缺失数据方法的比较
数值分析
2014-04-24 v1 机器学习
摘要
本文比较并分析了健康行为研究中带有缺失数据的聚类方法。特别是，我们提出并分析了利用压缩感知的矩阵补全结合谱聚类对健康相关数据进行聚类。实证测试和真实数据结果表明，在聚类误分类率更低以及缺失数据问题中矩阵补全性能更好方面，这些方法优于 LPA 和 FIML 等标准方法。根据我们的考察，这些改进的一个可能解释是，谱聚类利用了高维数据特性，而压缩感知方法利用了健康数据的近似低秩性质。
引用
@article{arxiv.1404.5899,
title = {A Comparison of Clustering and Missing Data Methods for Health Sciences},
author = {Ran Zhao and Deanna Needell and Christopher Johansen and Jerry L. Grenard},
journal= {arXiv preprint arXiv:1404.5899},
year = {2014}
}