Hitta lambda

Dataramen emails innehåller antalet e-postmeddelanden per dag som någon tog emot under det senaste året. Om antalet e-postmeddelanden per dag kan modelleras som en Poissonfördelning, vad skulle lambda ungefär vara?

Den här övningen är en del av kursen

Blandningsmodeller i R

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Blandningsmodeller i R

SkillTag.level.intermediateSkillTag.label

4.7+

Starta kursen gratis

I det här kapitlet introduceras du till grundläggande begrepp inom modellbaserad klustring och hur denna metod skiljer sig från andra klustringsmetoder. Du lär dig hur gaussiska blandningsmodeller genereras samt hur du visualiserar klustren.

Exercise 1: Introduktion till modellbaserad klustring Exercise 2: Klustringsmetoder Exercise 3: Utforska könsdata Exercise 4: Gaussfördelning Exercise 5: Sampla en gaussisk fördelning Exercise 6: (inte så bra) Skattningar av medelvärde och standardavvikelse Exercise 7: Gaussiska blandningsmodeller (GMM)Exercise 8: Simulera en blandning av två gaussiska fördelningar Exercise 9: Rita histogram över gaussisk blandningsmodell Exercise 10: Blandning av tre normalfördelningar

I det här kapitlet introduceras du till huvudstrukturen hos blandningsmodeller, hur du hanterar olika typer av data med denna metod och hur du skattar de ingående parametrarna. För att genomföra skattningen lär du dig en iterativ metod som kallas Expectation-Maximization-algoritmen.

Exercise 1: Blandningsmodellers struktur Exercise 2: Vilken sannolikhetsfördelning?Exercise 3: Datamängd med handskrivna siffror Exercise 4: Parameterskattning Exercise 5: Skattning givet sannolikheterna Exercise 6: Beräkna sannolikheterna Exercise 7: EM-algoritmen Exercise 8: Förväntningsfunktionen Exercise 9: Maximiseringsfunktionen Exercise 10: Tillämpa de två stegen Exercise 11: Visualisera de skattade klustren

Det här kapitlet visar hur du anpassar gaussiska blandningsmodeller i 1 och 2 dimensioner med paketet `flexmix`. Datamaterialet består av 10 000 observationer av personer med uppgifter om vikt, längd, kroppsmassaindex och angivet kön.

Exercise 1: Univariata gaussiska blandningsmodeller Exercise 2: Antal kluster Exercise 3: Antal parametrar Exercise 4: Univariata gaussiska blandningsmodeller med flexmix Exercise 5: Univariat fall med flexmix Exercise 6: Extrahera parametrar för det univariata fallet Exercise 7: Visualisering av ett univariat gaussiskt blandningsmodell Exercise 8: Jämför resultaten Exercise 9: Bivariata gaussiska blandningsmodeller Exercise 10: Korsterme från kovariansmatrisen Exercise 11: Parametrar i det bivariata fallet Exercise 12: Bivariata gaussiska blandningsmodeller med flexmix Exercise 13: Anpassa modellen med korsterm Exercise 14: Hämta komponenterna Exercise 15: Skapa ellipserna Exercise 16: Visualisera klustren

I den här modulen lär du dig hur blandningsmodeller utvidgas till att hantera andra sannolikhetsfördelningar än den gaussiska, och hur dessa modeller anpassas med `flexmix`. De datamängder som används består av bilder på handskrivna siffror samt antal brott i Chicago. För den första datamängden identifierar du kluster som sammanfattar de handskrivna siffrorna, och för den andra hittar du kluster av stadsdelar där det är mer eller mindre farligt att bo.

Exercise 1: Bernoulli-blandningsmodeller Exercise 2: Binära bilder Exercise 3: Hur många värden?Exercise 4: Bernoulli-blandningsmodeller med flexmix Exercise 5: Handskrivna siffror med `flexmix`Exercise 6: Poissonblandningsmodeller Exercise 7: Hitta lambda

Aktuell övning

Exercise 8: Ta stickprov från Poissonfördelningen Exercise 9: Poissonblandningsmodeller med flexmix Exercise 10: Brottsdata med `flexmix`