Função de Expectativa

Até aqui, você viu como o algoritmo de Expectation-Maximization é usado para estimar os parâmetros de duas distribuições Gaussianas com sd igual a 1. O objetivo deste exercício é criar a função expectation, que generaliza a etapa de estimar as probabilidades quando conhecemos os means, proportions e os sds.

Este exercício faz parte do curso

Modelos de Mistura em R

Instruções do exercício

Crie a função expectation completando o código de exemplo. Observe que agora estamos considerando os desvios padrão de cada cluster como seu quarto parâmetro.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

expectation <- ___(___, means, proportions, ___){
  # Estimate the probabilities
  exp_data <- data %>% 
    mutate(prob_from_cluster1 = ___[1] * dnorm(x, mean = means[1], sd = ___[1]),
           prob_from_cluster2 = ___[2] * dnorm(x, mean = means[2], sd = ___[2]),
           prob_cluster1 = prob_from_cluster1/(prob_from_cluster1 + prob_from_cluster2),
           prob_cluster2 = prob_from_cluster2/(prob_from_cluster1 + prob_from_cluster2)) %>% 
    select(x, ___, ___)
    
  # Return data with probabilities
  return(exp_data)
}

Editar e executar o código

Este exercício faz parte do curso

Modelos de Mistura em R

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

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

Exercício atual

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 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`