Các phương pháp phân cụm

Hãy nhớ rằng phân cụm là thủ tục chia một tập hợp quan sát thành các nhóm con có ý nghĩa. Nhưng có rất nhiều cách tiếp cận để phân cụm và lựa chọn sẽ phụ thuộc vào bài toán. Phát biểu nào sau đây là SAI?

Bài tập này là một phần của khóa học

Các Mô hình Hỗn hợp trong R

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Các Mô hình Hỗn hợp trong R

SkillTag.level.intermediateSkillTag.label

4.7+

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ được giới thiệu các khái niệm nền tảng trong phân cụm dựa trên mô hình và cách tiếp cận này khác gì so với các kỹ thuật phân cụm khác. Bạn sẽ học quy trình sinh của Gaussian Mixture Models cũng như cách trực quan hóa các cụm.

Exercise 1: Giới thiệu về phân cụm dựa trên mô hình Exercise 2: Các phương pháp phân cụm

Bài tập hiện tại

Exercise 3: Khám phá dữ liệu giới tính Exercise 4: Phân phối Gaussian Exercise 5: Lấy mẫu từ phân phối Gaussian Exercise 6: (không tốt lắm) Ước lượng trung bình và độ lệch chuẩn Exercise 7: Mô hình trộn Gaussian (GMM)Exercise 8: Mô phỏng hỗn hợp của hai phân phối Gaussian Exercise 9: Vẽ biểu đồ histogram cho Gaussian Mixture Exercise 10: Hỗn hợp của ba phân phối Gaussian

Trong chương này, bạn sẽ được giới thiệu cấu trúc chính của Mixture Models, cách xử lý các loại dữ liệu khác nhau với phương pháp này và cách ước lượng các tham số liên quan. Để thực hiện việc ước lượng, bạn sẽ học một phương pháp lặp gọi là thuật toán Expectation-Maximization.

Exercise 1: Cấu trúc của mô hình trộn (mixture models)Exercise 2: Nên dùng phân phối xác suất nào?Exercise 3: Bộ dữ liệu chữ số viết tay Exercise 4: Ước lượng tham số Exercise 5: Ước lượng khi đã biết xác suất Exercise 6: Tính các xác suất Exercise 7: Thuật toán EM Exercise 8: Hàm kỳ vọng Exercise 9: Hàm tối đa hóa Exercise 10: Áp dụng hai bước Exercise 11: Vẽ biểu đồ các cụm ước lượng

Chương này minh họa cách khớp Gaussian Mixture Models trong 1 và 2 chiều với gói `flexmix`. Dữ liệu sử dụng gồm 10.000 quan sát về cân nặng, chiều cao, chỉ số khối cơ thể và giới tính tự khai báo của con người.

Exercise 1: Mô hình hỗn hợp Gaussian một biến Exercise 2: Số lượng cụm Exercise 3: Số lượng tham số Exercise 4: Mô hình Hỗn hợp Gaussian một biến với flexmix Exercise 5: Trường hợp đơn biến với flexmix Exercise 6: Trích xuất tham số cho trường hợp đơn biến Exercise 7: Trực quan hóa Mô hình Hỗn hợp Gaussian một biến Exercise 8: So sánh kết quả Exercise 9: Mô hình Hỗn hợp Gauss hai biến Exercise 10: Hệ số chéo trong ma trận hiệp phương sai Exercise 11: Tham số trong trường hợp hai biến Exercise 12: Mô hình Hỗn hợp Gaussian hai biến với flexmix Exercise 13: Ước lượng mô hình với các hạng chéo Exercise 14: Lấy các thành phần Exercise 15: Tạo các ellipse Exercise 16: Trực quan hóa các cụm

Trong mô-đun này, bạn sẽ học cách Mixture Models mở rộng để xét các phân phối xác suất khác với Gaussian và cách khớp các mô hình này với `flexmix`. Các tập dữ liệu sử dụng là ảnh chữ số viết tay và số vụ phạm tội ở thành phố Chicago. Với tập dữ liệu đầu tiên, bạn sẽ tìm các cụm tóm tắt các chữ số viết tay; với tập dữ liệu thứ hai, bạn sẽ tìm các cụm cộng đồng nơi mức độ an toàn khác nhau (nguy hiểm hơn hoặc an toàn hơn để sinh sống).

Exercise 1: Mô hình trộn Bernoulli Exercise 2: Ảnh nhị phân Exercise 3: Bao nhiêu giá trị?Exercise 4: Mô hình trộn Bernoulli với flexmix Exercise 5: Chữ số viết tay với `flexmix`Exercise 6: Mô hình trộn Poisson Exercise 7: Khám phá lambda Exercise 8: Lấy mẫu từ phân phối Poisson Exercise 9: Mô hình trộn Poisson với flexmix Exercise 10: Dữ liệu tội phạm với `flexmix`