exModelKS: An example of 'modelKS'.
In ClustMMDD: Variable Selection in Clustering by Mixture Models for Discrete Data

Description Format Author(s) References See Also Examples

An example of a set of parameters given by an instance of modelKS.

An instance of modelKS.

Wilson Toussile

Dominique Bontemps and Wilson Toussile (2013) : Clustering and variable selection for categorical multivariate data. Electronic Journal of Statistics, Volume 7, 2344-2371, ISSN.
Wilson Toussile and Elisabeth Gassiat (2009) : Variable selection in model-based clustering using multilocus genotype data. Adv Data Anal Classif, Vol 3, number 2, 109-134.

modelKS

data(exModelKS)
slotNames("modelKS")
head(exModelKS["membershipProba"])
exModelKS["mixingProportions"]
exModelKS

Loading required package: Rcpp

 ClustMMDD = Clustering by Mixture Models for Discrete Data.
  
 Version 1.0.4
  
 ClustMMDD is the R version of the stand alone c++ package named 'MixMoGenD'
  
   that is available on www.u-psud.fr/math/~toussile.

 initializing ... Loaded 

 [1] "N"                 "P"                 "N_levels"         
 [4] "levels"            "K"                 "S"                
 [7] "dim"               "mixingProportions" "count"            
[10] "frequencies"       "proba"             "logLik"           
[13] "entropy"           "membershipProba"   "mapClassification"
<0 x 0 matrix>
[1] 0.2 0.2 0.2 0.2 0.2
** Print a set of paramters of modelKS class **

Size of the dataset N =  1000
Number of variables P =  10
The numbers of observed levels N_levels =  10 10 10 10 10 10 10 10 10 10

** Model (K, S) : 

Number of clusters K =  5
Clustering variables S =  TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE

** Mixing proportions : 
Mixing proportions mixingProportions =  0.2 0.2 0.2 0.2 0.2

Probabilities in clusters : 
[[1]]
       V1      V2      V3      V4      V5
1  0.1105 0.28575 0.13325 0.12825 0.06250
2  0.1975 0.12100 0.01650 0.12000 0.03975
3  0.2485 0.16775 0.09825 0.11700 0.09200
4  0.0465 0.10800 0.13125 0.05200 0.08250
5  0.1265 0.05100 0.04650 0.01250 0.04200
6  0.0365 0.05550 0.08125 0.10125 0.19500
7  0.1305 0.09725 0.20875 0.11625 0.00000
8  0.1035 0.00050 0.23950 0.03950 0.37750
9  0.0000 0.08600 0.02850 0.31325 0.05200
10 0.0000 0.02725 0.01625 0.00000 0.05675

[[2]]
        V1      V2      V3      V4      V5
1  0.14375 0.37600 0.12125 0.00000 0.13675
2  0.14775 0.02800 0.23025 0.09300 0.07100
3  0.08350 0.01475 0.04250 0.11750 0.12225
4  0.34925 0.14925 0.10125 0.00025 0.15725
5  0.06575 0.11475 0.16500 0.08275 0.09400
6  0.06375 0.00000 0.00000 0.11950 0.07200
7  0.04250 0.07800 0.09450 0.04700 0.06775
8  0.04525 0.12950 0.13075 0.21825 0.04250
9  0.01050 0.07450 0.03575 0.08625 0.16600
10 0.04800 0.03525 0.07875 0.23550 0.07050

[[3]]
        V1      V2      V3      V4      V5
1  0.06150 0.20125 0.15775 0.06925 0.06300
2  0.03000 0.09875 0.13100 0.19500 0.12050
3  0.08475 0.06800 0.05425 0.10875 0.17375
4  0.05225 0.10400 0.06075 0.14550 0.11975
5  0.20900 0.10575 0.03650 0.04375 0.08450
6  0.20275 0.00400 0.06000 0.02575 0.00000
7  0.12950 0.04575 0.12700 0.09325 0.04775
8  0.09575 0.16350 0.25375 0.09175 0.01775
9  0.10325 0.02800 0.07350 0.09400 0.10400
10 0.03125 0.18100 0.04550 0.13300 0.26900

[[4]]
        V1      V2      V3      V4      V5
1  0.09025 0.13375 0.13375 0.04200 0.00000
2  0.13625 0.01550 0.03800 0.07275 0.10800
3  0.05225 0.03800 0.05175 0.14675 0.26775
4  0.11650 0.00000 0.04725 0.09600 0.06475
5  0.10050 0.01950 0.23250 0.10300 0.12150
6  0.08675 0.28475 0.02325 0.05800 0.00125
7  0.13400 0.12775 0.10675 0.06475 0.14250
8  0.19700 0.16175 0.17725 0.03450 0.05150
9  0.06700 0.00200 0.15525 0.16050 0.21975
10 0.01950 0.21700 0.03425 0.22175 0.02300

[[5]]
        V1      V2      V3      V4      V5
1  0.10925 0.18150 0.06700 0.11250 0.07100
2  0.06900 0.05100 0.05100 0.04850 0.08250
3  0.14175 0.08275 0.20200 0.02775 0.05925
4  0.16725 0.15025 0.08000 0.13025 0.05925
5  0.21700 0.07050 0.09025 0.01150 0.14225
6  0.08300 0.11125 0.01550 0.13150 0.16025
7  0.07175 0.08275 0.26275 0.27900 0.04925
8  0.11825 0.17100 0.08375 0.16200 0.18575
9  0.02275 0.03675 0.06950 0.08350 0.07100
10 0.00000 0.06225 0.07825 0.01350 0.11950

[[6]]
        V1      V2      V3      V4      V5
1  0.08775 0.03400 0.12100 0.12125 0.04700
2  0.16975 0.19925 0.00000 0.00525 0.21350
3  0.23325 0.20850 0.09100 0.17250 0.09650
4  0.08125 0.02475 0.11800 0.03500 0.11900
5  0.06125 0.15850 0.11550 0.19100 0.09750
6  0.17850 0.02850 0.16300 0.11725 0.06275
7  0.05325 0.18025 0.05375 0.19225 0.09150
8  0.11125 0.07075 0.06075 0.03575 0.15450
9  0.02325 0.05650 0.15950 0.09750 0.06700
10 0.00050 0.03900 0.11750 0.03225 0.05075

[[7]]
        V1      V2      V3      V4      V5
1  0.11050 0.14575 0.15000 0.06925 0.12550
2  0.11700 0.08700 0.05525 0.08925 0.13425
3  0.11925 0.05300 0.10300 0.08000 0.08250
4  0.06025 0.07400 0.10025 0.08100 0.09500
5  0.06250 0.09050 0.09550 0.06925 0.07925
6  0.07950 0.13400 0.08750 0.13150 0.12725
7  0.07850 0.09325 0.13250 0.05700 0.12950
8  0.11575 0.07850 0.06025 0.13175 0.07325
9  0.13300 0.12975 0.09725 0.14900 0.08550
10 0.12375 0.11425 0.11850 0.14200 0.06800

[[8]]
        V1      V2      V3      V4      V5
1  0.08450 0.05625 0.12675 0.15225 0.06375
2  0.12675 0.10650 0.04800 0.11700 0.09575
3  0.19850 0.08925 0.13300 0.09075 0.09050
4  0.12300 0.06325 0.11625 0.06950 0.05575
5  0.08625 0.10750 0.11425 0.10050 0.13100
6  0.03950 0.06925 0.06025 0.09525 0.17375
7  0.07225 0.13025 0.07225 0.08950 0.08500
8  0.10325 0.10425 0.11950 0.08900 0.12175
9  0.08475 0.17175 0.07725 0.13850 0.07450
10 0.08125 0.10175 0.13250 0.05775 0.10825

[[9]]
        V1      V2      V3      V4      V5
1  0.11525 0.11525 0.11525 0.11525 0.11525
2  0.11250 0.11250 0.11250 0.11250 0.11250
3  0.10750 0.10750 0.10750 0.10750 0.10750
4  0.10300 0.10300 0.10300 0.10300 0.10300
5  0.10700 0.10700 0.10700 0.10700 0.10700
6  0.13625 0.13625 0.13625 0.13625 0.13625
7  0.06225 0.06225 0.06225 0.06225 0.06225
8  0.09875 0.09875 0.09875 0.09875 0.09875
9  0.07325 0.07325 0.07325 0.07325 0.07325
10 0.08425 0.08425 0.08425 0.08425 0.08425

[[10]]
        V1      V2      V3      V4      V5
1  0.04775 0.04775 0.04775 0.04775 0.04775
2  0.09450 0.09450 0.09450 0.09450 0.09450
3  0.08950 0.08950 0.08950 0.08950 0.08950
4  0.08025 0.08025 0.08025 0.08025 0.08025
5  0.11675 0.11675 0.11675 0.11675 0.11675
6  0.11300 0.11300 0.11300 0.11300 0.11300
7  0.05825 0.05825 0.05825 0.05825 0.05825
8  0.13725 0.13725 0.13725 0.13725 0.13725
9  0.14325 0.14325 0.14325 0.14325 0.14325
10 0.11950 0.11950 0.11950 0.11950 0.11950


Number of free parameters dim =  382
Log likelihood =  
Entropy =  

***  End modelKS:show method ***