예를 들어 그림 5C 와 5D를 비교하면 그 효과가 분명하게 나타나는데, 5D에서 더 깨끗하고 구조화된 분포를 확인할 수 있습니다. 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