Group-wise penalized estimation schemes in model-based clustering = Strategie di stima penalizzata a livello di gruppo nel clustering basato su modello

A. Casa, Andrea Cappozzo, M. Fop

Risultato della ricerca: Contributo in libroContributo a convegno

Abstract

[Ita:]La sovra-parametrizzazione dei modelli di mistura Gaussiani, che rapp- resentano un approccio probabilistico al clustering, mette a rischio la loro utilit`a in dimensioni elevate. Per questo motivo sono state proposte strategie di stima penaliz- zate che permettono di gestire matrici di precisioni di grandi dimensioni, sfruttando il legame tra modelli grafici Gaussiani e modelli mistura. Questi metodi, assumendo sparsit`a simile tra tutte le componenti, falliscono quando la struttura di dipendenza varia di gruppo in gruppo. La nostra proposta, penalizzando una trasformazione delle matrici di precisione differente per ogni componente, gestisce situazioni in cui il numero di connessioni tra le variabili `e diverso tra i gruppi. La validit`a del metodo `e evidenziata grazie ad un’applicazione a dati reali
Lingua originaleEnglish
Titolo della pubblicazione ospiteSIS 2022 | Book of Short Papers
Pagine534-539
Numero di pagine6
Stato di pubblicazionePubblicato - 2022
EventoScientific Meeting of the Italian Statistical Society - Caserta
Durata: 22 giu 202224 giu 2022

Convegno

ConvegnoScientific Meeting of the Italian Statistical Society
CittàCaserta
Periodo22/6/2224/6/22

Keywords

  • Model-based clustering
  • Gaussian graphical models
  • EM algorithm
  • Graphical lasso

Fingerprint

Entra nei temi di ricerca di 'Group-wise penalized estimation schemes in model-based clustering = Strategie di stima penalizzata a livello di gruppo nel clustering basato su modello'. Insieme formano una fingerprint unica.

Cita questo