目錄
高斯混合模型：
1、溫和的聚類算法，這種聚類算法假定每個類都遵循特定的統計分佈。
2、步驟：
- 初始化K個高斯分佈
- 將數據集聚類成我們初始化的兩個高斯——期望步驟或E步驟
- 基於軟聚類重新估計高斯——最大化或M步驟
- 評估對數似然來檢查收斂，收斂——>輸出結果
- 不收斂——>返回第二步驟，直至收斂爲止。
3、具體操作流程：
- 初始化：在數據集上使用K-Means生成聚類。
，
，
，
，
，求此式的最大化，數值越高，越能確定生成的混合模型可以負責創建數據，或者適合數據集。其中，k是聚類有關的混合係數。
，求此式的最大化，數值越高，越能確定生成的混合模型可以負責創建數據，或者適合數據集。其中，k是聚類有關的混合係數。sklearn高斯混合模型：
高斯混合模型總結：
1、優缺點：
優點：
- 提供軟聚類（軟聚類是多個聚類的示例性隸屬度）
- 聚類的外觀具有靈活性
缺點：
- GMM聚類對初始化值很敏感
- 可能收斂到局部最優
- 收斂速度慢
高斯混合模型附錄：
視頻：https://www.youtube.com/watch?v=lLt9H6RFO6A
聚類分析過程：
Data——>特徵選擇和特徵提取——>選擇一個聚類方法——>聚類評價——>聚類結果解釋。
- 特徵選擇是從一組候選特種中選擇特徵。特徵提取是對數據進行轉換以生成新的有用特徵。
- 聚類方法：可以用歐式距離，如果數據是文檔或詞嵌入，臨近度度量將是餘弦距離。
- 聚類評價：評分方法被稱爲指數。
聚類驗證：
1、聚類驗證是客觀和定量評估聚類結果的過程。
2、聚類評價指數有三種：（所有外部指標都能作爲相對指標）
- 外部指標：處理有標籤數據時使用的評分
- 內部指標：僅使用數據來衡量數據和結構之間的吻合度。
- 相對指標：表明兩個聚類結構中哪一個在某種意義上更好。
3、大多數評價指標是通過緊湊性和可分性來定義的。
- 緊湊性：衡量一個聚類中的元素彼此之間的距離。
- 可分性：表示不同聚類之間的距離。
外部評價指標：
內部評價指標：
範圍（-1， 1），
