使用正则化和降维方法对波斯手写图像进行监督聚类

聚类作为一种基础的探索性数据技术，不仅用于发现复杂数据集中的模式和结构，还用于在高维数据分析中对变量进行分组。通过聚类进行降维有助于识别重要变量，并在不丢失重要信息的情况下减少数据维度。波斯手写图像等高维图像数据集包含大量像素，使得统计推断变得困难。这种高维特性为分析和处理带来了挑战，需要使用专门的技术（如聚类）来提取信息。纳入响应变量信息增强了聚类分析，将其转化为一种监督方法。本文评估了使用岭回归和Lasso惩罚的监督聚类方法，比较了它们在分析真实数据集中的表现，同时识别重要变量。我们证明，尽管选择了少量变量作为重要变量，Lasso惩罚在预测该多类数据集的新观察标签方面仍表现相对较好。