잠재 클래스 분석은 사실상 유한 혼합물 모델입니다 ( 여기 참조 ). FMM과 다른 클러스터링 알고리즘의 주요 차이점은 FMM이 데이터 분포를 설명하는 확률 모델을 사용하여 클러스터를 파생시키는 "모델 기반 클러스터링"방식을 제공한다는 것입니다. 따라서 임의의 선택된 거리 측정 값이있는 군집을 찾는 대신 데이터 분포를 설명하는 모델을 사용하고이 모델을 기반으로 특정 사례가 특정 잠재 클래스의 확률을 평가합니다. 따라서 데이터 분산을 설명하는 것으로 시작하는 하향식 접근 방법 이라고 말할 수 있지만 다른 클러스터링 알고리즘은 상향식 접근 방법입니다 (사건간에 유사성을 발견).
데이터 모델 선택에 통계 모델을 사용하고 군집과 달리 적합도를 평가하는 것이 가능합니다. 또한 데이터 구조의 기초가되는 일부 프로세스 또는 "잠재적 구조"가 있다고 가정하면 FMM은 데이터 뒤의 잠재적 구조를 모델링 할 수 있기 때문에 (유사성을 찾는 것보다) 적절한 선택으로 보입니다.
다른 차이점은 FMM이 클러스터링보다 유연하다는 것입니다. 클러스터링 알고리즘은 클러스터링 만 수행하는 반면 FMM 및 LCA 기반 모델은
- 확인, 그룹 간 분석,
- 품목 반응 이론 (및 기타) 모델을 LCA와 결합
- 개인의 잠재 클래스 멤버십을 예측하기위한 공변량 포함
- 과에서 / 또는 내 클러스터 회귀 모델 잠재 수준의 회귀 ,
- 데이터 구조 등에서 시간에 따른 변화를 모델링 할 수 있습니다.
더 많은 예는 다음을 참조하십시오.
Hagenaars JA & McCutcheon, AL (2009). 적용 잠재 클래스 분석. 케임브리지 대학 출판부.
다음 논문을 포함한 R 의 flexmix 및 poLCA 패키지 문서 :
Linzer, DA, & Lewis, JB (2011). poLCA : 다원 변수 잠재 클래스 분석을위한 R 패키지. 통계 소프트웨어 저널, 42 (10), 1-29.
Leisch, F. (2004). Flexmix : R. Journal of Statistical Software, 11 (8), 1-18의 유한 혼합 모델 및 잠재 유리 회귀에 대한 일반적인 프레임 워크 .
Grün, B., & Leisch, F. (2008). FlexMix 버전 2 : 수반되는 변수 및 가변적이고 일정한 매개 변수가있는 유한 혼합물 . 통계 소프트웨어 저널, 28 (4), 1-35.
inferences
이 맥락에서 무엇을 부르고 왜 추론의 차이점 만 관심이 있습니까?