Visualizando o Modelo de Mistura Gaussiana Univariado

Como você ajustou o modelo em fit_mix_example e extraiu os parâmetros em comp_1, comp_2 e comp_3 (assim como as proportions), vamos agora plotar os clusters correspondentes com o histograma de densidade.

Para facilitar esse objetivo, a função fun_prop() foi definida no ambiente. Essa função fornece os valores de densidade para uma distribuição Gaussiana, como dnorm, mas foi estendida para também aceitar as proporções.

Este exercicio faz parte do curso

Modelos de Mistura em R

Instruções do exercicio

Plote o histograma de densidade junto com a densidade de cada cluster. Lembre-se de que o data frame se chama mix_example.
Use a função stat_function() com o argumento fun igual a fun_prop para desenhar a distribuição de densidade de cada cluster.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

ggplot(___) + ___(aes(x = x, y = ..density..)) + 
  stat_function(geom = "line", fun = fun_prop, 
                args = list(mean = ___[1], sd = ___[2], 
                proportion = proportions[1])) +
  stat_function(geom = "line", fun = fun_prop, 
                args = list(mean = comp_2[1], sd = comp_2[2], 
                proportion = ___[2]))+
  stat_function(geom = "line", fun = ___, 
                args = list(mean = comp_3[1], sd = comp_3[2], 
                proportion = proportions[3]))

Editar e Executar Código

Este exercicio faz parte do curso

Modelos de Mistura em R

IntermediárioNível de habilidade

4.7+

Comece o curso gratuitamente

Neste capítulo, você será apresentado aos conceitos fundamentais de clustering baseado em modelos e a como essa abordagem difere de outras técnicas de agrupamento. Você vai aprender o processo gerador dos Modelos de Mistura Gaussianos e como visualizar os clusters.

Exercise 1: Introdução ao agrupamento baseado em modelos Exercise 2: Abordagens de clustering Exercise 3: Explore os dados de gênero Exercise 4: Distribuição Gaussiana Exercise 5: Amostrando de uma distribuição Gaussiana Exercise 6: (não tão boas) Estimativas da média e do desvio padrão Exercise 7: Modelos de mistura Gaussianos (GMM)Exercise 8: Simular uma mistura de duas distribuições Gaussianas Exercise 9: Plotar histograma de Mistura Gaussiana Exercise 10: Mistura de três distribuições Gaussianas

Neste capítulo, você será apresentado à estrutura principal dos Modelos de Mistura, como lidar com diferentes tipos de dados com essa abordagem e como estimar os parâmetros envolvidos. Para realizar a estimação, você vai aprender um método iterativo chamado algoritmo de Expectation-Maximization.

Exercise 1: Estrutura de modelos de mistura Exercise 2: Qual distribuição de probabilidade?Exercise 3: Conjunto de dados de dígitos manuscritos Exercise 4: Estimativa de parâmetros Exercise 5: Estimativa dada as probabilidades Exercise 6: Calculando as probabilidades Exercise 7: Algoritmo EM Exercise 8: Função de Expectativa Exercise 9: Função de maximização Exercise 10: Aplicar as duas etapas Exercise 11: Plotar os clusters estimados

Este capítulo mostra como ajustar Modelos de Mistura Gaussianos em 1 e 2 dimensões com o pacote `flexmix`. Os dados utilizados são formados por 10.000 observações de pessoas com peso, altura, índice de massa corporal e gênero informado.

Exercise 1: Modelos de Mistura Gaussiana Univariados Exercise 2: Número de clusters Exercise 3: Número de parâmetros Exercise 4: Modelos de Mistura Gaussiana Univariada com flexmix Exercise 5: Caso univariado com flexmix Exercise 6: Extraindo parâmetros para o caso univariado Exercise 7: Visualizando o Modelo de Mistura Gaussiana Univariado

Exercicio Atual

Exercise 8: Compare os resultados Exercise 9: Modelos de Mistura Gaussiana Bivariados Exercise 10: Termo cruzado da matriz de covariância Exercise 11: Parâmetros no caso bivariado Exercise 12: Modelos de Mistura Gaussiana Bivariados com flexmix Exercise 13: Ajuste o modelo com termos cruzados Exercise 14: Obter os componentes Exercise 15: Crie as elipses Exercise 16: Visualizar os clusters

Neste módulo, você vai aprender como os Modelos de Mistura se estendem para considerar distribuições de probabilidade diferentes da Gaussiana e como esses modelos são ajustados com `flexmix`. Os conjuntos de dados usados são imagens de dígitos manuscritos e o número de crimes na cidade de Chicago. No primeiro conjunto, você encontrará clusters que resumem os dígitos manuscritos e, no segundo, clusters de comunidades onde é mais ou menos perigoso viver.

Exercise 1: Modelos de Mistura de Bernoulli Exercise 2: Imagens binárias Exercise 3: Quantos valores?Exercise 4: Modelos de Mistura Bernoulli com flexmix Exercise 5: Dígitos manuscritos com `flexmix`Exercise 6: Modelos de Mistura de Poisson Exercise 7: Descubra o lambda Exercise 8: Amostrando de uma distribuição de Poisson Exercise 9: Modelos de Mistura de Poisson com flexmix Exercise 10: Dados de crimes com `flexmix`