그룹화는 또한 많은 SMS 실험에서 수명과 강도 사이의 선형 추세를 강조합니다. 18 , 55 , 63 , 64 , 65 노이즈를 제거하고 데이터를 정밀하게 조정함으로써 그룹화는 후속 클러스터링을 더 쉽고, 견고하며, 신뢰할 수 있게 만듭니다.
잘 정의된 시뮬레이션 데이터 세트( 그림 S2 및 S4 )에서 다양한 클러스터링 방법을 비교한 결과 GMM 기반 프로토콜의 장점이 두드러지게 나타났습니다. SMS 데이터 세트는 노이즈, 측정 불확실성, 편광 및 쌍극자 방향과 같은 실험적 효과로 인해 수명-강도 공간에서 비등방성(타원형) 분포를 보이는 경우가 많습니다. 이러한 효과는 관측 데이터에 유효 공분산을 도입하는데, GMM은 완전 공분산 추정을 통해 이를 잘 포착하는 반면, DPGMM과 k- 평균은 사전 확률에 민감하게 의존하거나 구형 클러스터를 가정합니다. DPGMM은 기본 모집단을 복원할 수 있지만 사전 확률 지정에 매우 민감하여 그림 S2 A와 S4 B 에서 볼 수 있듯이 점유율이 낮은 가상 클러스터가 생성될 수 있습니다. k- 평균은 하드 할당 방식이기 때문에 주관적인 엘보우 포인트 선택에 의존하며 확률적 할당을 제공하지 않아 클러스터 수를 수동으로 설정하지 않으면 오분류가 발생하기 쉽습니다( 그림 S4 참조 ). 두 방법 모두 IC 기반 선택을 사용하는 GMM보다 계산 속도가 느립니다. 전반적으로 IC 메트릭을 사용하는 GMM은 모집단 수에 대한 사전 지식 없이도 SMS 데이터 세트를 보다 신뢰할 수 있고 객관적이며 효율적으로 클러스터링합니다.블랙티비블랙티비블랙티비블랙티비야구중계토토갤토토솔루션리얼돌스포츠중계사이트제작스포츠중계스포츠중계스포츠중계카드현금화주식실시간디비주식실시간DB상남동베트남노래방청주노래궁어느날토토마니라클락에이전시창원베트남노래방포항출장마사지포항출장마사지인계동 스웨디시인계동 스웨디시인계동 스웨디시인계동 스웨디시천안다국적노래방영덕대게 맛집급전소액급전강남 하이퍼블릭강남 하퍼서면가라오케스포츠중계제작스포츠중계api스포츠중계솔루션스포츠중계api스포츠중계 커뮤니티 제작스포츠중계api