İşte, mplus'ta bunu yapıyor olsaydım, bu yardımcı ve daha kapsamlı cevaplar içeren bir örnek:
Diyelim ki 3 sürekli değişkenim var ve bunlara göre kümeleri tanımlamak istiyorum. Koşullu bağımsızlığı varsayarak (gözlemlenen değişkenler bağımsızdır, küme üyeliği verildiğinde), bir karışım modelini (bu durumda daha spesifik olarak gizli profil model) belirtirim:
Model:
%Overall%
v1* v2* v3*; ! Freely estimated variances
[v1 v2 v3]; ! Freely estimated means
Her seferinde farklı sayıda küme belirlerken bu modeli birçok kez çalıştırırdım ve en çok sevdiğim çözümü seçerdim (bunu yapmak kendi başına çok büyük bir konudur).
Daha sonra k-means komutunu çalıştırmak için aşağıdaki modeli belirleyeceğim:
Model:
%Overall%
v1@0 v2@0 v3@0; ! Variances constrained as zero
[v1 v2 v3]; ! Freely estimated means
Bu yüzden sınıf üyeliği sadece gözlemlenen değişkenlerin araçlarına olan mesafeye dayanmaktadır. Diğer yanıtlarda belirtildiği gibi, varyansların bununla hiçbir ilgisi yoktur.
Bunu mplus'ta yapmanın güzel tarafı, iç içe geçmiş modellerin olmasıdır ve bu nedenle, iki yöntem arasındaki sınıflandırmadaki uyumsuzluğu karşılaştırmanın yanı sıra, kısıtlamaların daha iyi uyum sağlayıp sağlamadığını doğrudan test edebilirsiniz. Bu modellerin ikisi de, bir EM algoritması kullanılarak tahmin edilebilir, bu nedenle fark gerçekten modelle ilgili.
Üç boyutlu uzayda düşünürseniz, 3 anlamı bir noktaya gelir ... ve bu noktadan geçen bir elipsoidin üç eksenini değiştirir. Üç değişimin tümü aynı ise, bir küre alırsınız.