标签：lin   模型   targe   cos   移动   save   ref   ase   改变   

原文 ：http://tecdat.cn/?p=3433

本文我们讨论期望最大化理论，应用和评估基于期望最大化的聚类。

软件包

install.packages("mclust");

require(mclust)

## Loading required package: mclust

## Package ‘mclust‘ version 5.1

## Type ‘citation("mclust")‘ for citing this R package in publications.

 

数据

我们将使用mclust软件包附带的“糖尿病”数据。

data(diabetes)

summary(diabetes)

## class glucose insulin sspg## Chemical:36 Min. : 70 Min. : 45.0 Min. : 10.0## Normal :76 1st Qu.: 90 1st Qu.: 352.0 1st Qu.:118.0## Overt :33 Median : 97 Median : 403.0 Median :156.0## Mean :122 Mean : 540.8 Mean :186.1## 3rd Qu.:112 3rd Qu.: 558.0 3rd Qu.:221.0## Max. :353 Max. :1568.0 Max. :748.0

 

期望最大化（EM）

期望最大化（EM）算法是用于找到最大似然的或在统计模型参数，其中该模型依赖于未观察到的潜变量最大后验（MAP）估计的迭代方法。期望最大化（EM）可能是无监督学习最常用的算法。

似然函数

似然函数找到给定数据的最佳模型。

?

期望最大化（EM）算法

假设我们翻转硬币并得到以下内容 - 0,1,1,0,0,1,1,0,0,1。我们可以选择伯努利分布

或者，如果我们有以厘米为单位的人的身高（男性和女性）的数据。高度遵循正常的分布，但男性（平均）比女性高，因此这表明两个高斯分布的混合模型。

?

贝叶斯信息准则（BIC）

以糖尿病数据为例

EM集群与糖尿病数据使用mclust。

log.likelihood：这是BIC值的对数似然值

n：这是X点的数量

df：这是自由度

BIC：这是贝叶斯信息标准; 低是好的

ICL：综合完整X可能性 - BIC的分类版本。

clPairs(X,class.d)

 

?

EM的绘图命令会生成以下四个绘图：

BIC值用于选择簇的数量

聚类图

分类不确定性的图表

簇的轨道图

?

?

?

R语言：EM算法和高斯混合模型的实现

标签：lin   模型   targe   cos   移动   save   ref   ase   改变   

原文地址：https://www.cnblogs.com/tecdat/p/11254459.html