Подходы к кластеризации

Кластеризация — это разбиение набора наблюдений на группы со схожими характеристиками. Существует множество подходов к её выполнению, и выбор метода зависит от конкретной задачи. Какое из приведённых утверждений является FALSE?

Это упражнение является частью курса

Смесевые модели в R

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Смесевые модели в R

SkillTag.level.intermediateSkillTag.label

4.7+

Начать курс бесплатно

В этой главе вы познакомитесь с основными концепциями кластеризации на основе моделей и узнаете, чем этот подход отличается от других методов кластеризации. Вы изучите процесс генерации гауссовых смесевых моделей, а также научитесь визуализировать кластеры.

Exercise 1: Введение в кластеризацию на основе моделей Exercise 2: Подходы к кластеризации

Текущее упражнение

Exercise 3: Изучение данных о поле Exercise 4: Распределение Гаусса Exercise 5: Выборка из гауссова распределения Exercise 6: (не очень удачные) оценки среднего и стандартного отклонения Exercise 7: Гауссовы смеси моделей (GMM)Exercise 8: Симуляция смеси двух гауссовых распределений Exercise 9: Построение гистограммы смеси гауссовых распределений Exercise 10: Смесь трёх гауссовских распределений

В этой главе вы познакомитесь с основной структурой смесевых моделей, узнаете, как применять этот подход к различным данным и как оценивать параметры модели. Для оценки параметров вы освоите итерационный метод — алгоритм максимизации математического ожидания (EM-алгоритм).

Exercise 1: Структура моделей смеси Exercise 2: Какое распределение вероятностей выбрать?Exercise 3: Набор данных рукописных цифр Exercise 4: Оценка параметров Exercise 5: Оценка параметров при известных вероятностях Exercise 6: Вычисление вероятностей Exercise 7: Алгоритм EM Exercise 8: Функция ожидания Exercise 9: Функция максимизации Exercise 10: Применяем два шага Exercise 11: Визуализация оценённых кластеров

В этой главе показано, как с помощью пакета `flexmix` строить гауссовы смесевые модели в одном и двух измерениях. Используемый набор данных содержит 10 000 наблюдений: вес, рост, индекс массы тела и пол людей.

Exercise 1: Одномерные гауссовы смеси Exercise 2: Количество кластеров Exercise 3: Количество параметров Exercise 4: Одномерные гауссовы смеси с flexmix Exercise 5: Одномерный случай с flexmix Exercise 6: Извлечение параметров для одномерного случая Exercise 7: Визуализация одномерной модели гауссовой смеси Exercise 8: Сравнение результатов Exercise 9: Двумерные гауссовы смеси Exercise 10: Перекрёстный член матрицы ковариации Exercise 11: Параметры в двумерном случае Exercise 12: Двумерные смеси гауссиан с flexmix Exercise 13: Обучение модели с перекрёстными членами Exercise 14: Извлечение компонент Exercise 15: Создание эллипсов Exercise 16: Визуализация кластеров

В этом модуле вы узнаете, как смесевые модели расширяются для работы с вероятностными распределениями, отличными от гауссового, и как такие модели строятся с помощью `flexmix`. В качестве наборов данных используются изображения рукописных цифр и статистика преступлений в Чикаго. На первом наборе данных вы найдёте кластеры, обобщающие рукописные цифры, а на втором — кластеры районов с разным уровнем опасности проживания.

Exercise 1: Смеси моделей Бернулли Exercise 2: Бинарные изображения Exercise 3: Сколько значений?Exercise 4: Смеси распределений Бернулли с помощью flexmix Exercise 5: Рукописные цифры с `flexmix`Exercise 6: Смешанные модели Пуассона Exercise 7: Определите лямбду Exercise 8: Выборка из распределения Пуассона Exercise 9: Смешанные модели Пуассона с flexmix Exercise 10: Данные о преступлениях с `flexmix`