纵向数据聚类：多种方法教程
统计方法学
2021-11-11 v1 机器学习
机器学习
摘要
在过去二十年中，识别纵向数据中具有不同趋势的群组的方法在许多研究领域日益受到关注。为支持研究者，我们总结了文献中关于纵向聚类的指导。此外，我们呈现了纵向聚类的若干方法选择，包括基于组的轨迹建模（GBTM）、增长混合建模（GMM）与纵向 k-means（KML）。这些方法在基础层面予以介绍，并列出其优势、局限与模型扩展。顺应数据收集的最新进展，我们关注这些方法在密集纵向数据（ILD）上的适用性。我们使用 R 中可用包在合成数据集上演示了这些方法的应用。
引用
@article{arxiv.2111.05469,
title = {Clustering of longitudinal data: A tutorial on a variety of approaches},
author = {Niek Den Teuling and Steffen Pauws and Edwin van den Heuvel},
journal= {arXiv preprint arXiv:2111.05469},
year = {2021}
}
备注
37 pages, 12 figures