用于非高斯数据的藤 copula 混合模型与聚类
统计方法学
2021-09-09 v2 机器学习
摘要
大多数有限混合模型存在以下不足：不允许分量内非对称尾部依赖，且在聚类应用中无法捕捉非椭圆簇。由于藤 copula 在捕捉此类依赖上非常灵活，我们提出了一种针对连续数据的新型藤 copula 混合模型。我们讨论了模型选择与参数估计问题，并进一步 formulate 了一种新的基于模型的聚类算法。在聚类中使用藤 copula 允许簇具有一系列形状与依赖结构。我们的模拟实验表明，当分量内存在显著的非对称尾部依赖和/或非高斯边际时，聚类精度有显著提升。对真实数据集的分析佐证了所提方法。我们表明，采用藤 copula 混合模型的基于模型的聚类算法优于其他基于模型的聚类技术，尤其对于非高斯多元数据。
引用
@article{arxiv.2102.03257,
title = {Vine copula mixture models and clustering for non-Gaussian data},
author = {Özge Sahin and Claudia Czado},
journal= {arXiv preprint arXiv:2102.03257},
year = {2021}
}