Parametrii în cazul bivariat

Setul de date gender ar putea fi clusterizat folosind două variabile în loc de una, dar acest pas implică o complexitate suplimentară. În cazul univariat, am văzut că numărul de parametri estimați este șase: 2 medii, 2 abateri standard și 2 proporții.

Atunci când adăugăm o variabilă suplimentară și considerăm că termenul încrucișat este diferit de zero, trebuie să estimăm în continuare două medii, dar fiecare dintre ele este formată din două valori. În plus, matricea de covarianță este formată din patru valori: varianțele corespunzătoare și termenul încrucișat.

Câte valori distincte trebuie să estimăm?

Acest exercițiu face parte din cursul

Mixture Models în R

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Mixture Models în R

SkillTag.level.intermediateSkillTag.label

4.7+

Începe cursul gratuit

În acest capitol, vei fi introdus în conceptele fundamentale ale clusteringului bazat pe modele și vei vedea cum diferă această abordare de alte tehnici de clustering. Vei învăța procesul de generare al Modelelor Mixte Gaussiene și cum să vizualizezi clusterele.

Exercise 1: Introducere în clusterizarea bazată pe modele Exercise 2: Abordări ale clusterizării Exercise 3: Explorează datele despre gen Exercise 4: Distribuția gaussiană Exercise 5: Eșantionarea unei distribuții gaussiene Exercise 6: (nu chiar) Estimări ale mediei și abaterii standard Exercise 7: Modele de amestec gaussian (GMM)Exercise 8: Simulează un amestec de două distribuții gaussiene Exercise 9: Trasează histograma unui Gaussian Mixture Exercise 10: Amestec de trei distribuții Gaussiene

În acest capitol, vei fi introdus în structura principală a Modelelor Mixte, cum să abordezi diferite tipuri de date cu această metodă și cum să estimezi parametrii implicați. Pentru a realiza estimarea, vei învăța o metodă iterativă numită algoritmul Expectation-Maximization.

Exercise 1: Structura modelelor de amestec Exercise 2: Ce distribuție de probabilitate?Exercise 3: Setul de date cu cifre scrise de mână Exercise 4: Estimarea parametrilor Exercise 5: Estimarea parametrilor pe baza probabilităților Exercise 6: Calcularea probabilităților Exercise 7: Algoritmul EM Exercise 8: Funcția de așteptare Exercise 9: Funcția de maximizare Exercise 10: Aplică cei doi pași Exercise 11: Vizualizează clusterele estimate

Acest capitol arată cum să ajustezi Modele Mixte Gaussiene în 1 și 2 dimensiuni cu pachetul `flexmix`. Datele utilizate sunt formate din 10.000 de observații ale unor persoane, cu greutatea, înălțimea, indicele de masă corporală și genul declarat.

Exercise 1: Modele de amestec gaussian univariat Exercise 2: Numărul de clustere Exercise 3: Numărul de parametri Exercise 4: Modele de amestec gaussian univariate cu flexmix Exercise 5: Cazul univariat cu flexmix Exercise 6: Extragerea parametrilor pentru cazul univariat Exercise 7: Vizualizarea unui model mixt gaussian univariat Exercise 8: Compară rezultatele Exercise 9: Modele de amestec gaussian bivariat Exercise 10: Termenul încrucișat din matricea de covarianță Exercise 11: Parametrii în cazul bivariat

Exercițiul curent

Exercise 12: Modele de amestec gaussian bivariat cu flexmix Exercise 13: Antrenează modelul cu termeni încrucișați Exercise 14: Extrage componentele Exercise 15: Creează elipsele Exercise 16: Vizualizează clusterele

În acest modul, vei învăța cum se extind Modelele Mixte pentru a lua în considerare distribuții de probabilitate diferite de cea Gaussiană și cum se ajustează aceste modele cu `flexmix`. Seturile de date folosite sunt imagini cu cifre scrise de mână și numărul de infracțiuni din orașul Chicago. Pentru primul set de date, vei identifica clustere care rezumă cifrele scrise de mână, iar pentru al doilea, vei găsi clustere de comunități în funcție de nivelul de pericol.

Exercise 1: Modele de amestec Bernoulli Exercise 2: Imagini binare Exercise 3: Câte valori?Exercise 4: Modele de amestec Bernoulli cu flexmix Exercise 5: Cifre scrise de mână cu `flexmix`Exercise 6: Modele de amestec Poisson Exercise 7: Descoperă lambda Exercise 8: Eșantionare din distribuția Poisson Exercise 9: Modele de amestec Poisson cu flexmix Exercise 10: Date despre infracțiuni cu `flexmix`