具有指定缺失数据机制的 Gaussian 混合模型下 Bayes 判别准则的估计分析

半监督学习（SSL）方法已成功应用于广泛的工程与科学领域。本文研究了由 Ahfock 与 McLachlan（2020）引入的带缺失机制未分类观测的生成模型框架。我们表明，在部分分类样本中，使用带缺失数据机制的 Bayes 分配准则的分类器可在两类正态同方差模型中超越全监督分类器，尤其在重叠度中等至低且缺失类标签比例较小，或重叠度大但缺失标签少时。无论重叠区域或缺失类标签比例如何，它也优于无缺失数据机制的分类器。我们通过模拟对具有不等协方差的两组分与三组分正态混合模型的探索进一步证实了我们的发现。最后，我们在神经元间与皮肤病变数据集上说明了所提带缺失数据机制分类器的使用。