مشخصات کتاب

Model-Based Clustering, Classification, and Density Estimation Using mclust in R

ویرایش:  
نویسندگان: Luca Scrucca,  Chris Fraley,  T. Brendan Murphy,  and Adrian E. Raftery  
سری:  
ISBN (شابک) : 9781032234960, 9781003277965 
ناشر: CRC Press 
سال نشر: 2023 
تعداد صفحات: 269 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 28 Mb 

در صورت تبدیل فایل کتاب Model-Based Clustering, Classification, and Density Estimation Using mclust in R به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب خوشه بندی، طبقه بندی و تخمین چگالی مبتنی بر مدل با استفاده از mclust در R نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب خوشه بندی، طبقه بندی و تخمین چگالی مبتنی بر مدل با استفاده از mclust در R

روش‌های خوشه‌بندی و طبقه‌بندی مبتنی بر مدل، یک رویکرد آماری سیستماتیک برای خوشه‌بندی، طبقه‌بندی و تخمین چگالی از طریق مدل‌سازی مخلوط ارائه می‌دهند. چارچوب مبتنی بر مدل اجازه می دهد تا مشکلات انتخاب یا توسعه یک روش خوشه بندی یا طبقه بندی مناسب در چارچوب مدل سازی آماری درک شود. بسته mclust برای محیط آماری R یک پلت فرم به طور گسترده ای است که این استراتژی های مبتنی بر مدل را پیاده سازی می کند. این بسته شامل عملکرد خلاصه و بصری، تکمیل روش‌های تخمین و انتخاب مدل است. ویژگی های کلیدی کتاب: مقدمه ای بر رویکرد مبتنی بر مدل و بسته R mclust شرح مفصل mclust و استراتژی های مدل سازی زیربنایی مجموعه ای گسترده از مثال ها، نمودارهای رنگی و شکل ها به همراه کد R برای بازتولید آنها پشتیبانی شده توسط یک وب‌سایت همراه، شامل کد R برای بازتولید مثال‌ها و ارقام ارائه‌شده در کتاب، خطاها و سایر مطالب تکمیلی این کتاب برای دانشجویان و محققین آموزش‌دیده کمی با درک اولیه روش‌های آماری، از جمله استنتاج و محاسبات، در دسترس است. این کتاب علاوه بر خدمت به عنوان راهنمای مرجع برای mclust، به ویژه برای کسانی که مایل به استفاده از این تکنیک‌های مبتنی بر مدل در تحقیقات یا کاربردهای آمار، علم داده، تحقیقات بالینی، علوم اجتماعی و بسیاری از رشته‌های دیگر هستند، مفید خواهد بود.

توضیحاتی درمورد کتاب به خارجی

Model-based clustering and classification methods provide a systematic statistical approach to clustering, classification, and density estimation via mixture modeling. The model-based framework allows the problems of choosing or developing an appropriate clustering or classification method to be understood within the context of statistical modeling. The mclust package for the statistical environment R is a widely-adopted platform implementing these model-based strategies. The package includes both summary and visual functionality, complementing procedures for estimating and choosing models. Key features of the book: An introduction to the model-based approach and the mclust R package A detailed description of mclust and the underlying modeling strategies An extensive set of examples, color plots and figures along with the R code for reproducing them Supported by a companion website, including the R code to reproduce the examples and figures presented in the book, errata, and other supplementary material The book is accessible to quantitatively trained students and researchers with a basic understanding of statistical methods, including inference and computing. In addition to serving as a reference manual for mclust, the book will be particularly useful to those wishing to employ these model-based techniques in research or applications in statistics, data science, clinical research, social science, and many other disciplines.

فهرست مطالب

Cover
Half Title
Series Page
Title Page
Copyright Page
Dedication
Contents
List of Figures
List of Tables
List of Examples
Preface
1. Introduction
	1.1. Model-Based Clustering and Finite Mixture Modeling
	1.2. mclust
	1.3. Overview
	1.4. Organization of the Book
2. Finite Mixture Models
	2.1. Finite Mixture Models
		2.1.1. Maximum Likelihood Estimation and the EM Algorithm
		2.1.2. Issues in Maximum Likelihood Estimation
	2.2. Gaussian Mixture Models
		2.2.1. Parsimonious Covariance Decomposition
		2.2.2. EM Algorithm for Gaussian Mixtures
		2.2.3. Initialization of EM Algorithm
		2.2.4. Maximum A Posteriori (MAP) Classification
	2.3. Model Selection
		2.3.1. Information Criteria
		2.3.2. Likelihood Ratio Testing
	2.4. Resampling-Based Inference
3. Model-Based Clustering
	3.1. Gaussian Mixture Models for Cluster Analysis
	3.2. Clustering in mclust
	3.3. Model Selection
		3.3.1. BIC
		3.3.2. ICL
		3.3.3. Bootstrap Likelihood Ratio Testing
	3.4. Resampling-Based Inference in mclust
	3.5. Clustering Univariate Data
	3.6. Model-Based Agglomerative Hierarchical Clustering
		3.6.1. Agglomerative Clustering for Large Datasets
	3.7. Initialization in mclust
	3.8. EM Algorithm in mclust
	3.9. Further Considerations
4. Mixture-Based Classification
	4.1. Classification as Supervised Learning
	4.2. Gaussian Mixture Models for Classification
		4.2.1. Prediction
		4.2.2. Estimation
	4.3. Classification in mclust
	4.4. Evaluating Classifier Performance
		4.4.1. Evaluating Predicted Classes: Classification Error
		4.4.2. Evaluating Class Probabilities: Brier Score
		4.4.3. Estimating Classifier Performance: Test Set and Resampling-Based Validation
		4.4.4. Cross-Validation in mclust
	4.5. Classification with Unequal Costs of Misclassification
	4.6. Classification with Unbalanced Classes
	4.7. Classification of Univariate Data
	4.8. Semi-Supervised Classification
5. Model-Based Density Estimation
	5.1. Density Estimation
	5.2. Finite Mixture Modeling for Density Estimation with mclust
	5.3. Univariate Density Estimation
		5.3.1. Diagnostics for Univariate Density Estimation
	5.4. Density Estimation in Higher Dimensions
	5.5. Density Estimation for Bounded Data
	5.6. Highest Density Regions
6. Visualizing Gaussian Mixture Models
	6.1. Displays for Univariate Data
	6.2. Displays for Bivariate Data
	6.3. Displays for Higher Dimensional Data
		6.3.1. Coordinate Projections
		6.3.2. Random Projections
		6.3.3. Discriminant Coordinate Projections
	6.4. Visualizing Model-Based Clustering and Classification on Projection Subspaces
		6.4.1. Projection Subspaces for Visualizing Cluster Separation
		6.4.2. Incorporating Variation in Covariances
		6.4.3. Projection Subspaces for Classification
		6.4.4. Relationship to Other Methods
	6.5. Using ggplot2 with mclust
	6.6. Using Color-Blind-Friendly Palettes
7. Miscellanea
	7.1. Accounting for Noise and Outliers
	7.2. Using a Prior for Regularization
		7.2.1. Adding a Prior in mclust
	7.3. Non-Gaussian Clusters from GMMs
		7.3.1. Combining Gaussian Mixture Components for Clustering
		7.3.2. Identifying Connected Components in GMMs
	7.4. Simulation from Mixture Densities
	7.5. Large Datasets
	7.6. High-Dimensional Data
	7.7. Missing Data
Bibliography
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Action for Social Justice in Education (FE)

دانلود کتاب Handbook of Burns Volume 2: Reconstruction and Rehabilitation

دانلود کتاب Lost Kids: Vulnerable Children and Youth in Twentieth-Century Canada and the United States 077486864, 97807748686

دانلود کتاب Toxicity of Heavy Metals to Legumes and Bioremediation

دانلود کتاب Russia and Development: Capitalism, Civil Society and the State