Berapa banyak nilai?

Bayangkan Anda menerima 500 citra biner berukuran 10 kali 10 piksel, dan Anda ingin membagi citra-citra ini menjadi tiga klaster. Setiap klaster dicirikan oleh proporsi dan vektor \(p\), yang memiliki 100 nilai probabilitas.

Berapa banyak nilai yang harus diestimasi?

Latihan ini merupakan bagian dari kursus

Model Campuran di R

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Model Campuran di R

SkillTag.level.intermediateSkillTag.label

4.7+

Mulai Kursus Gratis

Pada bab ini, Anda akan diperkenalkan pada konsep dasar pengelompokan berbasis model dan bagaimana pendekatan ini berbeda dari teknik pengelompokan lainnya. Anda akan mempelajari proses pembangkitan Gaussian Mixture Models serta cara memvisualisasikan klasternya.

Exercise 1: Pengantar pengelompokan berbasis model Exercise 2: Pendekatan pengelompokan (clustering)Exercise 3: Jelajahi data gender Exercise 4: Distribusi Gaussian Exercise 5: Sampling a Gaussian distribution Exercise 6: (kurang baik) Estimasi mean dan sd Exercise 7: Model campuran Gaussian (GMM)Exercise 8: Mensimulasikan campuran dua distribusi Gaussian Exercise 9: Plot histogram Campuran Gaussian Exercise 10: Campuran tiga distribusi Gaussian

Pada bab ini, Anda akan diperkenalkan pada struktur utama Model Campuran, cara menangani berbagai jenis data dengan pendekatan ini, serta cara mengestimasi parameter yang terlibat. Untuk melakukan estimasi, Anda akan mempelajari metode iteratif yang disebut algoritme Expectation-Maximization.

Exercise 1: Struktur model campuran Exercise 2: Distribusi peluang yang mana?Exercise 3: Himpunan data digit tulisan tangan Exercise 4: Estimasi parameter Exercise 5: Estimasi dengan probabilitas yang diberikan Exercise 6: Menghitung probabilitas Exercise 7: Algoritma EM Exercise 8: Fungsi expectation Exercise 9: Fungsi maximization Exercise 10: Terapkan dua langkah Exercise 11: Plot klaster yang diestimasi

Bab ini menunjukkan cara menyesuaikan Gaussian Mixture Models dalam 1 dan 2 dimensi dengan paket `flexmix`. Data yang digunakan terdiri dari 10.000 observasi orang dengan berat badan, tinggi badan, indeks massa tubuh, dan jenis kelamin yang diinformasikan.

Exercise 1: Model Campuran Gaussian Univariat Exercise 2: Jumlah klaster Exercise 3: Jumlah parameter Exercise 4: Model Campuran Gaussian Univariat dengan flexmix Exercise 5: Kasus univariat dengan flexmix Exercise 6: Mengambil Parameter untuk Kasus Univariat Exercise 7: Memvisualisasikan Gaussian Mixture Model Univariat Exercise 8: Bandingkan hasilnya Exercise 9: Model Campuran Gaussian Bivariat Exercise 10: Cross-term dari matriks kovarians Exercise 11: Parameter pada kasus bivariat Exercise 12: Model Campuran Gaussian Bivariat dengan flexmix Exercise 13: Sesuaikan model dengan suku silang Exercise 14: Ambil komponennya Exercise 15: Buat elipsnya Exercise 16: Visualisasikan klaster

Dalam modul ini, Anda akan mempelajari bagaimana Model Campuran diperluas untuk mempertimbangkan sebaran peluang yang berbeda dari Gaussian dan bagaimana model tersebut dipasang dengan `flexmix`. Himpunan data yang digunakan adalah citra digit tulisan tangan dan jumlah kejahatan di kota Chicago. Untuk himpunan data pertama, Anda akan menemukan klaster yang merangkum digit tulisan tangan, dan untuk himpunan data kedua, Anda akan menemukan klaster komunitas yang lebih atau kurang berbahaya untuk ditinggali.

Exercise 1: Model Campuran Bernoulli Exercise 2: Citra biner Exercise 3: Berapa banyak nilai?

Latihan Saat Ini

Exercise 4: Model Campuran Bernoulli dengan flexmix Exercise 5: Angka tulisan tangan dengan `flexmix`Exercise 6: Model Campuran Poisson Exercise 7: Menemukan lambda Exercise 8: Sampel dari distribusi Poisson Exercise 9: Model Campuran Poisson dengan flexmix Exercise 10: Data kejahatan dengan `flexmix`