Двовимірні змішування Ґаусових розподілів

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Ця вправа є частиною курсу

Мішанинні моделі в R

SkillTag.level.intermediateSkillTag.label

4.7+

Почніть курс безкоштовно

У цьому розділі ви познайомитеся з основами кластеризації на основі моделей і тим, чим цей підхід відрізняється від інших технік кластеризації. Ви вивчите процес породження Gaussian Mixture Models, а також те, як візуалізувати кластери.

Exercise 1: Вступ до кластеризації на основі моделей Exercise 2: Підходи до кластеризації Exercise 3: Дослідіть дані про стать Exercise 4: Розподіл Гауса Exercise 5: Вибірка з розподілу Гауса Exercise 6: (не надто вдале) Оцінювання середнього та стандартного відхилення Exercise 7: Моделі гауссових сумішей (GMM)Exercise 8: Змоделюйте суміш двох гаусових розподілів Exercise 9: Побудуйте гістограму Gaussian Mixture Exercise 10: Суміш трьох нормальних розподілів

У цьому розділі ви ознайомитеся з основною структурою мішанинних моделей, з тим, як працювати з різними типами даних у цьому підході, і як оцінювати задіяні параметри. Для оцінювання ви вивчите ітеративний метод під назвою алгоритм очікування-максимізації (Expectation-Maximization).

Exercise 1: Структура моделей змішування Exercise 2: Який розподіл імовірностей?Exercise 3: Набір даних рукописних цифр Exercise 4: Оцінювання параметрів Exercise 5: Оцінювання за відомих імовірностей Exercise 6: Обчислення ймовірностей Exercise 7: Алгоритм EM Exercise 8: Функція expectation Exercise 9: Функція максимізації Exercise 10: Застосуйте два кроки Exercise 11: Побудуйте графік оцінених кластерів

У цьому розділі показано, як навчати Gaussian Mixture Models в 1 і 2 вимірах за допомогою пакета `flexmix`. Використано дані з 10 000 спостережень про людей: вага, зріст, індекс маси тіла та вказана стать.

Exercise 1: Одиновимірні суміші ґаусових розподілів Exercise 2: Кількість кластерів Exercise 3: Кількість параметрів Exercise 4: Одиновимірні суміші Ґаусових розподілів з flexmix Exercise 5: Одновимірний випадок із flexmix Exercise 6: Вилучення параметрів для одновимірного випадку Exercise 7: Візуалізація одномірної моделі змішування Гауса Exercise 8: Порівняйте результати Exercise 9: Двовимірні змішування Ґаусових розподілів

Поточна вправа

Exercise 10: Перехресний член із матриці коваріації Exercise 11: Параметри у двовимірному випадку Exercise 12: Двовимірні змішані моделі Гауса з flexmix Exercise 13: Підібрати модель із перехресними членами Exercise 14: Отримайте компоненти Exercise 15: Побудуйте еліпси Exercise 16: Візуалізуйте кластери

У цьому модулі ви дізнаєтеся, як мішанинні моделі узагальнюються на розподіли ймовірностей, відмінні від Gaussian, і як ці моделі навчаються за допомогою `flexmix`. Набори даних — це зображення рукописних цифр і кількість злочинів у місті Чикаго. Для першого набору ви знайдете кластери, що узагальнюють рукописні цифри, а для другого — кластери громад, де жити більш чи менш небезпечно.

Exercise 1: Моделі сумішей Бернуллі Exercise 2: Бінарні зображення Exercise 3: Скільки значень?Exercise 4: Змішані моделі Бернуллі з flexmix Exercise 5: Рукописні цифри з `flexmix`Exercise 6: Змішані моделі Пуассона Exercise 7: Знайдіть параметр λ Exercise 8: Вибірка з розподілу Пуассона Exercise 9: Poisson‑суміші у flexmix Exercise 10: Дані про злочини з `flexmix`