Metody grupowania

Pamiętaj, że grupowanie (clustering) to proces podziału zbioru obserwacji na sensowne podzbiory. Istnieje wiele metod grupowania, a wybór odpowiedniej zależy od konkretnego problemu. Które z poniższych stwierdzeń jest FALSE?

To ćwiczenie jest częścią kursu

Modele mieszane w R

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Modele mieszane w R

SkillTag.level.intermediateSkillTag.label

4.7+

Rozpocznij kurs za darmo

W tym rozdziale zapoznasz się z podstawowymi pojęciami dotyczącymi grupowania opartego na modelach oraz z tym, czym to podejście różni się od innych technik grupowania. Nauczysz się, jak przebiega proces generowania danych w mieszaninach rozkładów Gaussa, a także jak wizualizować grupy.

Exercise 1: Wprowadzenie do klasteryzacji opartej na modelach Exercise 2: Metody grupowania

Bieżące ćwiczenie

Exercise 3: Eksploracja danych dotyczących płci Exercise 4: Rozkład Gaussa Exercise 5: Próbkowanie rozkładu Gaussa Exercise 6: (niezbyt trafne) Estymacja średniej i odchylenia standardowego Exercise 7: Gaussowskie modele mieszanin (GMM)Exercise 8: Symulacja mieszaniny dwóch rozkładów Gaussa Exercise 9: Histogram mieszaniny gaussowskiej Exercise 10: Mieszanina trzech rozkładów Gaussa

W tym rozdziale poznasz główną strukturę modeli mieszanych, dowiesz się, jak stosować to podejście do różnych typów danych i jak estymować zaangażowane parametry. Do przeprowadzenia estymacji nauczysz się iteracyjnej metody zwanej algorytmem oczekiwania-maksymalizacji (EM).

Exercise 1: Struktura modeli mieszanych Exercise 2: Które rozkład prawdopodobieństwa?Exercise 3: Zbiór danych z odręcznie pisanymi cyframi Exercise 4: Estymacja parametrów Exercise 5: Estymacja przy znanych prawdopodobieństwach Exercise 6: Obliczanie prawdopodobieństw Exercise 7: Algorytm EM Exercise 8: Funkcja oczekiwania Exercise 9: Funkcja maksymalizacji Exercise 10: Zastosuj oba kroki Exercise 11: Wizualizacja estymowanych skupień

Ten rozdział pokazuje, jak dopasowywać mieszaniny rozkładów Gaussa w 1 i 2 wymiarach za pomocą pakietu `flexmix`. Wykorzystywane dane zawierają 10 000 obserwacji opisujących wagę, wzrost, wskaźnik masy ciała i zadeklarowaną płeć różnych osób.

Exercise 1: Jednowymiarowe mieszaniny rozkładów Gaussa Exercise 2: Liczba skupień Exercise 3: Liczba parametrów Exercise 4: Jednozmiennowe mieszaniny Gaussowskie z flexmix Exercise 5: Przypadek jednozmiennowy z flexmix Exercise 6: Wyodrębnianie parametrów dla przypadku jednozmiennego Exercise 7: Wizualizacja jednozmiennego modelu mieszaniny Gaussowskiej Exercise 8: Porównanie wyników Exercise 9: Dwuwymiarowe mieszaniny rozkładów Gaussa Exercise 10: Wyraz mieszany z macierzy kowariancji Exercise 11: Parametry w przypadku dwuwymiarowym Exercise 12: Dwuwymiarowe mieszaniny gaussowskie z flexmix Exercise 13: Dopasowanie modelu z członami krzyżowymi Exercise 14: Wyodrębnij składowe Exercise 15: Tworzenie elips Exercise 16: Wizualizacja klastrów

W tym module dowiesz się, jak modele mieszane rozszerzają się na rozkłady prawdopodobieństwa inne niż rozkład Gaussa, oraz jak dopasowywać takie modele za pomocą pakietu `flexmix`. Wykorzystywane zbiory danych to obrazy odręcznie pisanych cyfr oraz liczba przestępstw w Chicago. Na podstawie pierwszego zbioru wyznaczysz grupy podsumowujące odręcznie pisane cyfry, a na podstawie drugiego – grupy dzielnic o wyższym lub niższym poziomie zagrożenia.

Exercise 1: Mieszaniny modeli Bernoulliego Exercise 2: Obrazy binarne Exercise 3: Ile wartości?Exercise 4: Mieszankowe modele Bernoulliego z flexmix Exercise 5: Odręczne cyfry z `flexmix`Exercise 6: Poissonowskie modele mieszane Exercise 7: Znajdź lambdę Exercise 8: Próbkowanie z rozkładu Poissona Exercise 9: Mieszaniny modeli Poissona z flexmix Exercise 10: Dane o przestępczości z `flexmix`