【机器学习】使用scikitLearn对数据进行聚类:高斯聚类GaussianMixture

本文主要是介绍【机器学习】使用scikitLearn对数据进行聚类:高斯聚类GaussianMixture,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

无监督学习:
【机器学习】使用scikitLearn对数据进行聚类:Kmeans聚类算法及聚类效果评估
【机器学习】使用scikitLearn对数据进行聚类:Kmeans聚类算法的应用及密度聚类DBSCAN
【机器学习】使用scikitLearn对数据进行聚类:7种异常和新颖性检测方式

高斯混合模型,是一种生成模型,不但可以进行聚类,因为掌握了每一类的概率模型,还可以进行每一类新实例的生成。、
生成过程为:
假定生成m个实例,共有k个高斯分布可供选择;生成每个实例时,根据一组权重参数,先选取该实例所属集群的标签,根据标签从k个高斯分布中选取该集群对应的分布,然后再利用高斯分布采样出该实例,就完成了一个新实例点的生成。

from sklearn.mixture import GaussianMixture
#高斯聚3类
gm = GaussianMixture(n_components=3, n_init=10, random_state=42)
gm.fit(X)

模型训练结束后,可以进行如下操作:

#判断新数据点的类别
gm.predict(X)
#进行软聚类,输出新数据点属于每一类的概率
gm.predict_proba(X)
#生成6个新数据点
X_new, y_new = gm.sample(6)

其高斯分布参数采用期望最大化模型进行求解,同kmeans算法的求解较为类似,也使用n_init=10多次求解取最优值。

同时,在给定的任意坐标点处,可以输出不同集群实例分布的密度分数,密度分数越高,实例分布越密:

densities = gm.score_samples(X)

下面根据百分位数,进行密度筛选(密度选择的结果可以做异常检测):
比如筛选出分布较稀疏的前10%的密度点,假定异常率是10%:

#查看个样本所在点的密度
densities = gm.score_samples(X)
#取后10%的密度阈值(取密度最稀疏的10%的分界密度)
density_threshold = np.percentile(densities, 10)
#比该密度值还小的点是异常点,这里使用同形bool做的mask进行索引,
#找出这些最稀疏的点:
anomalies = X[densities < density_threshold]

在这里插入图片描述
标红的点被认为异常的,其常用于数据清洗工作。

限制算法的自由度,加速收敛的办法有:
设置covariance_type置,对算法的收敛做限制:
"spherical":集群为不同半径的球形。
"diag"“:集群为轴平行于坐标轴的椭圆,大小不同。
"tied":集群必须具有相同的椭圆形状,只是出现位置不同。
默认情况下,covariance_type等于"full"

实例数m、维度n、集群数k:
对于时间复杂度:当参数为full及tied时,其值为kmn2+kn3
当为前两者时,复杂度为kmn
所以高斯聚类不适用于太高维数据。

使用贝叶斯信息准则(BIC)或赤池信息准则(AIC)选择最优聚类数:
两者可以权衡所估计模型的复杂度和此模型拟合数据的优良性。
在这里插入图片描述
p为模型可学习参数量,m为实例数目,L为模型的似然函数最大值。
BIC及AIC的值越小,代表模型越好,可见实例及参数越多,似然函数值越低,代表拟合精度越差,同时算法所用实例及参数越多。
其中AIC不受实例的数目影响,BIC较AIC对精度的考虑低,对参数量的考虑多,能找出更精简的模型(实例m相当于对参数数量进行了加权)。
高斯聚类能源此法评估,是因为其计算最大期望函数时,得到了似然值。
直接调用相关函数接口去计算BIC及AIC的值:

gm.bic(X)
gm.aic(X)

或使用BayesianGaussianMixture类,并设置一个较大的集群数目,算法在运行后将自动对集群的数目进行精简。

import numpy as np
from sklearn.mixture import BayesianGaussianMixture
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [12, 4], [10, 7]])
#初始10类,最后输出将决定实际分类数。
bgm = BayesianGaussianMixture(n_components=10, random_state=42).fit(X)
#得出各类权重,部分不需要的集群权重归0,这里是超出两位小数后的位取整
np.round(bgm.weights_, 2)

输出结果中非0元素个数,即为最终确定的分类。

这篇关于【机器学习】使用scikitLearn对数据进行聚类:高斯聚类GaussianMixture的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/154698

相关文章

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

C 语言中enum枚举的定义和使用小结

《C语言中enum枚举的定义和使用小结》在C语言里,enum(枚举)是一种用户自定义的数据类型,它能够让你创建一组具名的整数常量,下面我会从定义、使用、特性等方面详细介绍enum,感兴趣的朋友一起看... 目录1、引言2、基本定义3、定义枚举变量4、自定义枚举常量的值5、枚举与switch语句结合使用6、枚

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Maven的使用和配置国内源的保姆级教程

《Maven的使用和配置国内源的保姆级教程》Maven是⼀个项目管理工具,基于POM(ProjectObjectModel,项目对象模型)的概念,Maven可以通过一小段描述信息来管理项目的构建,报告... 目录1. 什么是Maven?2.创建⼀个Maven项目3.Maven 核心功能4.使用Maven H

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

Spring Boot 集成 Quartz并使用Cron 表达式实现定时任务

《SpringBoot集成Quartz并使用Cron表达式实现定时任务》本篇文章介绍了如何在SpringBoot中集成Quartz进行定时任务调度,并通过Cron表达式控制任务... 目录前言1. 添加 Quartz 依赖2. 创建 Quartz 任务3. 配置 Quartz 任务调度4. 启动 Sprin

Linux下如何使用C++获取硬件信息

《Linux下如何使用C++获取硬件信息》这篇文章主要为大家详细介绍了如何使用C++实现获取CPU,主板,磁盘,BIOS信息等硬件信息,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录方法获取CPU信息:读取"/proc/cpuinfo"文件获取磁盘信息:读取"/proc/diskstats"文