统计学 > 方法论
[提交于 2025年7月18日
]
标题: 一种混合混合方法用于聚类和表征癌症数据
标题: A Hybrid Mixture Approach for Clustering and Characterizing Cancer Data
摘要: 基于模型的聚类广泛用于识别和区分疾病类型。 然而,高维的现代生物医学数据使得在传统聚类分析中进行模型估计变得具有挑战性。 将因子分析器纳入混合模型提供了一种表征大量数据特征的方法,但当前的估计方法由于嵌入算法的固有缓慢收敛性以及无法调整因子分析器的大小,导致在大规模数据上计算上不可行,从而阻碍了广义因子分析器混合模型的实现以及对数据聚类的进一步表征。 我们提出了一种混合的无矩阵计算方案,以高效地估计基于高斯混合模型和广义因子分析器的聚类和模型参数,从而使用少量潜在因子总结大量变量。 我们的方法在保持高聚类准确性的前提下,比现有方法具有更快的收敛速度。 我们的算法被应用于基于大量肿瘤样本准确识别和区分乳腺癌类型,并利用大量基因记录为淋巴瘤亚型提供广义表征。
当前浏览上下文:
stat.ME
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.