如何使用高斯混合模型进行聚类？

Posted 2023-03-12

【中文标题】如何使用高斯混合模型进行聚类？

【英文标题】：How to use Gaussian Mixture Model for clustering?

【发布时间】：2019-08-05 15:23:17

【问题描述】：

我一直在使用 k-Means 将数据聚类为 2 个类。但是，现在，我想使用不同的方法并使用高斯混合模型将数据聚类为 2 个类。我已经阅读了 Scikit-Learn 文档和其他 SO 问题，但无法理解如何在我目前的上下文中使用 GMM 进行 2 类聚类。

我可以使用 k-Means 轻松地将数据聚类为 2 个类，如下所示：-

import pandas as pd
from scipy import stats
from sklearn.cluster import KMeans
import numpy as np

df = pd.read_pickle('my_df.pkl')
clmns = df.columns

df = df.fillna(df.mean())
df.isnull().any

df_tr_std = stats.zscore(df[clmns])

kmeans = KMeans(n_clusters = 2, random_state = 0, n_init = 100, max_iter=500, n_jobs = -1).fit(df_tr_std)
# >>> kmeans
# KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
#     n_clusters=2, n_init=10, n_jobs=None, precompute_distances='auto',
#     random_state=0, tol=0.0001, verbose=0)
labels = kmeans.labels_

我会很感激任何一个线性/短代码段，我可以用它来在我的数据上拟合 GMM 模型 (df_tr_std)。我确信这必须是一个相当简单的过程来适应 GMM 模型，但我对如何将我当前的 k-Means 上下文修改为 GMM 模型感到非常困惑。

【问题讨论】：

我们如何为您的（我们不知道的）df_tr_std 数据做到这一点？文档中的 iris 和 ellipsoids 示例究竟有什么问题或缺失？

感谢您的评论。我同意你不知道这些数据，但出于这个目的，我在 k-Means 模型中包含了一个样板代码，用于拟合 df_tr_std（训练数据框，由各种特征组成）。 iris 和其他类似的例子就是这样做的，但我不知道如何在当前的上下文中应用相同的例子。我的主要问题是我可以找到像 gmm = GMM(n_components=4).fit(X) labels = gmm.predict(X) 这样的东西，可以在类似的上下文中使用（参考jakevdp.github.io/PythonDataScienceHandbook/…）。

但是，它是否是将 GMM 放入基于 Pandas 的 Dataframe 中的最合适的方法并不明显，我当然可以将其转换为凹凸不平的数组。我将感谢您在这方面的帮助和建议。请将上面的 k-Means 代码视为当前上下文，其中 df_tr_std 是具有所有训练特征的数据框。

【参考方案1】：

考虑以下几点：

根据您的具体情况x 和组均值x̄、方差σ2 和标准差σ，此方程将为您提供高斯分布。

Z 分数将为您提供在哪里削减类，假设此时概率为 0.5，从而正确生成不同的类。 C 是类的质心，N 是示例数。

【讨论】：

感谢您的回答。但是，我已经知道高斯分布的方程，并正在寻找在当前上下文中在代码中实现它的方法（如问题中所述），以便我可以将我的数据相应地分为 2 个类。