Ile wartości?

Wyobraź sobie, że dysponujesz 500 binarnymi obrazami o rozmiarze 10 na 10 pikseli i chcesz podzielić te obrazy na trzy skupienia. Każde skupienie jest scharakteryzowane przez proporcję oraz wektor \(p\), który zawiera 100 wartości prawdopodobieństwa.

Ile wartości należy oszacować?

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 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?

Bieżące ćwiczenie

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`