Modaler Cluster in BivariateHat jemand irgendwelche Notizen darüber, was Modal Cluster in Bivariate tut? Dies ist eine Option im Nonpar Density LRT-Menü. Die Dokumente enthalten 1 Satz auf Seite 146 und nichts in den statistischen Details.
Vielen Dank!
M.
Betreff: Modaler Cluster in BivariateHier ist die Antwort vom technischen Support:
"Modales Clustering bedeutet, Spitzen in der Dichte zu finden und alle Punkte zu sammeln, die sich auf der Abwärtskurve des Gradienten zu dieser Spitze befinden. SAS Proc MODECLUS tut dies, allerdings in mehr Dimensionen, nicht nur in zwei, und es verwendet Near-Neighbor-Schätzungen statt Kernel-Schätzungen. Der Standardkernel wird gemäß der Bowman-Foster-Empfehlung gewählt: .5*stdDev*n^(1/6). [ Link zum Dokument ]"
Es ist ein Link zum Dokument enthalten. Es handelt sich um offenen Inhalt, sodass ihn jeder herunterladen kann, der sich tiefer in die Materie einarbeiten möchte.
Betreff: Modaler Cluster in BivariateIch kannte diese coole Funktion nicht, habe aber seit Ihrem Beitrag damit herumgespielt. Es scheint, als wäre sie schon lange in JMP verfügbar.
Die modale Clusterung klassifiziert Datenpunkte durch die Kerneldichteschätzung in Cluster. Am Beispiel von Big Class habe ich Fit Height by Weight ausgeführt und dann Nichtparallele Dichte und Modale Clusterung ausgewählt. Dadurch wird automatisch eine Cluster-Spalte in der Datentabelle gespeichert. In diesem Beispiel werden 14 Cluster basierend auf den gezeichneten Konturen zugewiesen (d. h. es gibt 14 Spitzen in der bivariaten Dichte). Um es verständlicher zu machen, habe ich Distribution und GB ausgeführt und sie in ein Dashboard eingefügt.
Um die modale Clusterung zu veranschaulichen, lasse ich die quadratische Kurve in GB automatisch mit der Clusterauswahl aktualisieren, behalte aber die Kurve in der Bivariare auf den gesamten Datensatz fixiert. Wie Sie sehen, gibt es insgesamt eine starke Aufwärtskrümmung zwischen Größe und Gewicht, aber für Cluster 9 ist sie abwärts gerichtet. Sie können auch sehen, wo sich diese Datenpunkte befinden. 
