基于带深函数的 $k$-Means 函数型数据聚类初始化
应用统计
2021-06-03 v1
摘要
-Means 算法是最受欢迎的数据聚类方法之一，但众所周知其对初始化过程敏感。有大量方法旨在为 -Means 寻找最优初始种子，尽管它们中没有一种是普遍有效的。本文提出了其中一种方法——BRIk 算法——向纵向数据的扩展，该方法依赖于对从数据的自助法重复抽样得到的质心进行聚类，并使用通用的修正带深度（Modified Band Depth）。在我们的方法中，我们通过增加一个步骤来改进 BRIk 方法，即对我们的观测值拟合适当的 B 样条，以及一种重抽样过程，从而实现计算可行性并处理诸如噪声或缺失数据等问题。我们在模拟和真实数据集上的结果表明，我们针对 BRIK 方法的函数型数据方法（FABRIk）在为 -Means 提供初始化种子方面，就聚类恢复而言比以往的提案更有效。
引用
@article{arxiv.2106.01129,
title = {Band Depth based initialization of $k$-Means for functional data clustering},
author = {Javier Albert-Smet and Aurora Torrente and Juan Romo},
journal= {arXiv preprint arXiv:2106.01129},
year = {2021}
}