เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| Factor Analysis× | แบบจำลองส่วนผสมแบบเกาส์เซียน× | |
|---|---|---|
| สาขาวิชา≠ | สถิติการวิจัย | การเรียนรู้ของเครื่อง |
| ตระกูล≠ | Process / pipeline | Machine learning |
| ปีกำเนิด≠ | 1931 | 1977 |
| ผู้ริเริ่ม≠ | Louis Leon Thurstone | Dempster, Laird & Rubin (EM algorithm) |
| ประเภท≠ | Method | Probabilistic (soft) clustering — mixture model |
| แหล่งต้นตำรับ≠ | Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press. DOI ↗ | Dempster, A.P., Laird, N.M. & Rubin, D.B. (1977). Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society: Series B, 39(1), 1–22. DOI ↗ |
| ชื่อเรียกอื่น≠ | EFA, CFA, latent variable modeling | Gaussian Karışım Modeli (GMM Kümeleme), GMM, GMM clustering, mixture of Gaussians |
| ที่เกี่ยวข้อง≠ | 3 | 4 |
| สรุป≠ | Factor analysis is a statistical technique for identifying latent (unobserved) dimensions underlying observed variables, developed by Louis Leon Thurstone in the 1930s and formalized by Jöreskog (1969). Exploratory factor analysis (EFA) discovers unknown factor structure from data; confirmatory factor analysis (CFA) tests hypothesized relationships between observed and latent variables. Essential in psychometrics (test development), organizational research (measuring constructs like leadership style), and biomedicine (identifying disease subtypes), factor analysis reduces dimensionality while revealing conceptual organization in multivariate data. | A Gaussian Mixture Model is a probabilistic clustering method that models the data as a weighted mixture of several Gaussian distributions, fitted with the Expectation–Maximization algorithm formalized by Dempster, Laird & Rubin in 1977. It is a generalization of K-means in which each cluster can take its own shape, size, and orientation. |
| ScholarGateชุดข้อมูล ↗ |
|
|