کاری که من تاکنون انجام دادهام ، واقعا ً این روشها را نشان داده و توسعه دادهاست ، اما گام بعدی آن است که واقعا ً آنها را به مجموعه دادههای بزرگتر اعمال کند ، شاید یکی از آنها مستقیما ً مرتبط با RDoC ، مقایسه زیر گروههای مشخصشده در نتایج مختلف مرتبط ، و مهمتر از همه ، برای اعتبار سنجی یافتههای بهدستآمده باشد . خوشهبندی بسیار اکتشافی است ، بنابراین واقعا ً مهم است که یک نمونه توسعه داشته باشیم و سپس امیدوارانه یک نمونه اعتبار سنجی داشته باشیم ، بنابراین میتوانید ببینید که آن دسته مرتبط هستند .
UMA VAIDYANATHAN : نویسنده : متشکرم . این یک ارائه عالی بود . تو ما رو با یه جور مفاهیم پیچیده در یک روش واقعا ً خوب پیاده کردی ، صادقانه بگم. بنابراین ، بله ، ما تعدادی سوال برای شما داریم که در اینجا در حال بررسی هستند . برخی از آنها مربوط به ویژگیهای دادهها ، از جمله استفاده از توزیعهای نرمال log یا تغییر دادن داده شما به نوعی مانع از نوعی کمک هستند ، و همچنین ، relatedly ، شما میدانید چه زمانی برای استفاده از یک توزیع نرمال در مقابل یک توزیع مورب چگونه باید از توزیع نرمال استفاده کنید ؟
meredith wallace : اینها سوالات عالی هستند . اول ، سوال این که آیا دادههای خود را تغییر دهید یا خیر . صراحتا ً، من فکر میکنم که نظرات و دیدگاههای متفاوتی در این مورد وجود دارد . من میتوانم نظر شخصی خودم را به شما بگویم . زمانی که خوشهبندی را انجام میدهید ، ایده این است که شما میخواهید ناهماهنگی در نمونه خود را درک کنید . زمانی که کاری را مانند تبدیل log انجام میدهید ، ناهماهنگی در نمونه خود را تغییر میدهید . یک تحول log ، با ماهیت خود ، چیزهای متفاوتی را با متغیرهای پایین ، مشاهدات کمتر از ۱ ، نسبت به مشاهدات بیشتر از ۱ انجام میدهد . پس آن انواع تبدیلات ، آنها ناهمگونی را تغییر میدهند . اگر دلیلی وجود داشته باشد که شما واقعا ً باور داشته باشید که دادههای تغییر یافته نسبت به دادههای اصلی معنادار هستند ، و شما فکر میکنید که خوشههای مبتنی بر دادههای تغییر یافته معنیدار هستند ، به هر وسیله این کار را انجام میدهند ، اما شما باید آگاه باشید که این تحولات ، ناهمگونی را تغییر میدهند . و بعد ، با این سوال که چطور می توان از یک توزیع نرمال یا یک توزیع نامتوازن استفاده کرد ، منظورم این است که من واقعا ً آن را ساده کردم و فقط در مورد توزیعهای نامتوازن صحبت کردم ، اما چندین تن از توزیعهای نامتقارن و نامتوازن مختلف در آنجا وجود دارد . نکته جالب در مورد مدلسازی ترکیب این است که شما میتوانید تناسب مدل را با هم مقایسه کنید . بنابراین با مجموعهای از متغیرها ، شما میتوانید یک مدل ترکیبی را براساس یک توزیع نرمال مناسب کنید . شما میتوانید آن را براساس یک توزیع T متناسب کنید . شما میتوانید آن را براساس یک نرمال مورب تنظیم کنید ، یک T مورب ، یک گاوسی ، منظورم تمام موارد مختلف است ، و شما میتوانید بروید و میتوانید آن BICs را مقایسه کنید تا ببینید کدام یک از آنها مناسب است . و همچنین میتوانید صادقانه نگاه کنید ، به این که چند خوشه چطور این کار را انجام میدهند ، نگاه کنید . آیا راهحل واقعا ً معنیدار هستند ؟ آنها به ما چه میگویند ؟ هیچ کدام از آنها چیزهای جدیدی را به ما میگویند ؟ اگر در واقع یک پیغام گیر مهم در خانه داشته باشد ، امیدوارم مردم بتوانند از این کار دست بردارند ، این است که خوشهبندی واقعا ً اکتشافی است ، و من فکر میکنم به همین دلیل بهتر است که ماهیت اکتشافی آن را بپذیریم ، صادق باشیم و در مورد آن باشیم ، که هدف از خوشهبندی ، تولید فرضیاتی است . شما قصد ندارید در اینجا هیچ مشکلی را حل کنید . شما فقط سعی دارید فرضیات ایجاد کنید و از آن در همان ماهیت اکتشافی استفاده کنید .
UMA VAIDYANATHAN : یک سوال آخر این است که ما در ساعت ۱۲ : ۵۶ قرار داریم و قرار است در ساعت ۱ به پایان برسد ، بنابراین فقط در مورد آن اظهار نظر میکنیم . افراد سوال میپرسند ، چه چیزی در مورد استفاده از چیزی مانند یک آنالیز کلاس پنهان ، یا مدل ترکیبی عامل چه؟ در مورد آنها چه فکر میکنید ؟
meredith wallace : بله ، آنها گزینههای خوبی هستند . به نوعی از تجزیه و تحلیل کلاس پنهان فکر میکنم ، به این فکر میکنم که بیشتر در مورد گروهبندی متغیرها با هم در مقابل گروهبندی افراد با هم باشیم ، بنابراین ممکن است چیزی برای فکر کردن در مورد آنچه که میخواهید انجام دهید ، وجود داشته باشد .
منبع سایت