基于全局-局部收缩先验的贝叶斯稀疏凸聚类
机器学习
2020-05-27 v2 机器学习
统计方法学
摘要
稀疏凸聚类旨在凸聚类框架下同时对观测进行聚类并施行变量选择。尽管稀疏凸聚类中正则化项通常采用加权范数，但若样本量不足，其使用会增强对数据的依赖并降低估计精度。为解决这些问题，本文基于贝叶斯lasso与全局-局部收缩先验的思想，提出一种贝叶斯稀疏凸聚类方法。我们利用正态尺度混合分布为该方法引入Gibbs采样算法。所提方法的有效性在模拟研究与真实数据分析中得到展示。
引用
@article{arxiv.1911.08703,
title = {Bayesian sparse convex clustering via global-local shrinkage priors},
author = {Kaito Shimamura and Shuichi Kawano},
journal= {arXiv preprint arXiv:1911.08703},
year = {2020}
}