idx = cluster(gm,X) делит данные в X в кластеры k, определенные k Гауссовы компоненты смеси в gm. Значение в idx(i) кластерный индекс наблюдения i и указывает на компонент с самой большой апостериорной вероятностью, учитывая наблюдение i.
[idx,nlogL] = cluster(gm,X) также возвращает отрицательную логарифмическую правдоподобность смешанной гауссовской модели gm учитывая данные X.
[idx,nlogL,P] = cluster(gm,X) также возвращает апостериорные вероятности каждого Гауссова компонента смеси в gm учитывая каждое наблюдение в X.
[idx,nlogL,P,logpdf] = cluster(gm,X) также возвращает логарифм предполагаемой функции плотности вероятности (PDF), оцененный при каждом наблюдении в X.
[idx,nlogL,P,logpdf,d2] = cluster(gm,X) также возвращает расстояние Mahalanobis в квадрате каждого наблюдения в X к каждому Гауссову компоненту смеси в gm.
Сгенерируйте случайные варьируемые величины, которые следуют за смесью двух двумерных Распределений Гаусса при помощи mvnrnd функция. Соответствуйте смешанной гауссовской модели (GMM) к сгенерированным данным при помощи fitgmdist функция. Затем используйте cluster функционируйте, чтобы разделить данные в два кластера, определенные подходящими компонентами GMM.
Задайте параметры распределения (средние значения и ковариации) двух двумерных Гауссовых компонентов смеси.
mu1 = [2 2]; % Mean of the 1st component
sigma1 = [2 0; 0 1]; % Covariance of the 1st component
mu2 = [-2 -1]; % Mean of the 2nd component
sigma2 = [1 0; 0 1]; % Covariance of the 2nd component
Сгенерируйте равное количество случайных варьируемых величин от каждого компонента и объедините два набора случайных варьируемых величин.
rng('default') % For reproducibility
r1 = mvnrnd(mu1,sigma1,1000);
r2 = mvnrnd(mu2,sigma2,1000);
X = [r1; r2];
Объединенный набор данных X содержит случайные варьируемые величины после смеси двух двумерных Распределений Гаусса.
Соответствуйте двухкомпонентному GMM к X.
gm = fitgmdist(X,2);
Постройте X при помощи scatter. Визуализируйте подобранную модель gm при помощи pdf и fcontour.
figure
scatter(X(:,1),X(:,2),10,'.') % Scatter plot with points of size 10
hold on
gmPDF = @(x,y)reshape(pdf(gm,[x(:) y(:)]),size(x));
fcontour(gmPDF,[-6 8 -4 6])
Разделите данные в кластеры путем передачи подходящего GMM и данных к cluster.
idx = cluster(gm,X);
Используйте gscatter создать график рассеивания, сгруппированный idx.
gm — Гауссово распределение смеси gmdistribution объект
Гауссово распределение смеси, также названное смешанной гауссовской моделью (GMM) в виде gmdistribution объект.
Можно создать gmdistribution объект с помощью gmdistribution или fitgmdist. Используйте gmdistribution функция, чтобы создать gmdistribution объект путем определения параметров распределения. Используйте fitgmdist функционируйте, чтобы соответствовать gmdistribution модель к данным, учитывая постоянное число компонентов.
Xданные n-by-m числовая матрица
Данные в виде n-by-m числовая матрица, где n является количеством наблюдений и m, являются количеством переменных в каждом наблюдении.
Обеспечить значимые результаты кластеризации, X должен прибыть из того же населения, как данные раньше создавали gm.
Если строка X содержит NaNs, затем cluster исключает строку из расчета. Соответствующее значение в idxP, logpdf, и d2isnan.
idx — Кластерный индекс n-by-1 положительный целочисленный вектор
Кластерный индекс, возвращенный как n-by-1 положительный целочисленный вектор, где n является количеством наблюдений в X.
idx(i) кластерный индекс наблюдения i и указывает на Гауссов компонент смеси с самой большой апостериорной вероятностью, учитывая наблюдение i.
nlogL — Отрицательная логарифмическая правдоподобность числовое значение
Отрицательное значение логарифмической правдоподобности смешанной гауссовской модели gm учитывая данные X, возвращенный как числовое значение.
P — Апостериорная вероятность n-by-k числовой вектор
Апостериорная вероятность каждого Гауссова компонента смеси в gm учитывая каждое наблюдение в X, возвращенный как n-by-k числовой вектор, где n является количеством наблюдений в X и k является количеством компонентов смеси в gm.
logpdf — Логарифм предполагаемого PDF n-by-1 числовой вектор
Логарифм предполагаемого PDF, оцененного при каждом наблюдении в X, возвращенный как n-by-1 числовой вектор, где n является количеством наблюдений в X.
logpdf(i) логарифм предполагаемого PDF при наблюдении i. cluster функция вычисляет предполагаемый PDF при помощи вероятности каждого компонента, учитывая каждое наблюдение и вероятности компонента.
где L (Cj|Oj) является вероятностью j компонента заданное наблюдение i, и P (Cj) является вероятностью j компонента. cluster функция вычисляет термин вероятности при помощи многомерного нормального PDF jth Гауссов компонент смеси оценил при наблюдении i. Вероятности компонента являются смесительными пропорциями компонентов смеси, ComponentProportion свойство gm.
d2 — Расстояние Mahalanobis в квадрате n-by-k числовая матрица
Расстояние Mahalanobis в квадрате каждого наблюдения в X к каждому Гауссову компоненту смеси в gm, возвращенный как n-by-k числовая матрица, где n является количеством наблюдений в X и k является количеством компонентов смеси в gm.
d2(i,j) квадрат расстояния наблюдения i к jth Гауссов компонент смеси.
Для просмотра документации необходимо авторизоваться на сайте
Памятка переводчика
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.