Документация

Как данные о кластере смешанных гауссовских моделей

Смешанные гауссовские модели (GMMs) часто используются для кластеризации данных. Можно использовать GMMs, чтобы выполнить или трудно кластеризацию или мягкую кластеризацию на данных о запросе.

Чтобы выполнить трудно кластеризацию, присвоения GMM запрашивают точки данных к многомерным нормальным компонентам, которые максимизируют апостериорную вероятность компонента, учитывая данные. Таким образом, учитывая подходящий GMM, cluster присвоения запрашивают данные к компоненту, дающему к самой высокой апостериорной вероятности. Трудно кластеризирующиеся присвоения точка данных точно к одному кластеру. Для примера, показывающего, как соответствовать GMM к данным, кластер с помощью подобранной модели, и оценить апостериорные вероятности компонента, смотрите, что Кластерные Гауссовы Данные о Смеси Используют Трудно Кластеризацию.

Кроме того, можно использовать GMM, чтобы выполнить более гибкую кластеризацию на данных, называемых мягкой (или нечеткий) кластеризация. Мягкие методы кластеризации присваивают счет точке данных для каждого кластера. Значение счета указывает на силу ассоциации точки данных к кластеру. В противоположность твердым методам кластеризации мягкие методы кластеризации гибки, потому что они могут присвоить точку данных больше чем одному кластеру. Когда вы выполняете кластеризацию GMM, счет является апостериорной вероятностью. Для примера мягкой кластеризации с GMM смотрите, что Кластерные Гауссовы Данные о Смеси Используют Мягкую Кластеризацию.

Кластеризация GMM может вместить кластеры, которые имеют различные размеры и структуры корреляции в них. Поэтому в определенных приложениях, кластеризация GMM может быть более соответствующей, чем методы, такие как кластеризация k-средних значений. Как много методов кластеризации, кластеризация GMM требует, чтобы вы задали количество кластеров прежде, чем подбирать модель. Количество кластеров задает количество компонентов в GMM.

Для GMMs примените эти лучшые методы:

Соответствуйте GMM различными опциями ковариации и начальными условиями

Этот пример исследует эффекты определения различных вариантов для структуры ковариации и начальных условий, когда вы выполняете кластеризацию GMM.

Загрузите ирисовый набор данных Фишера. Рассмотрите кластеризацию измерений чашелистика и визуализируйте данные в 2D использовании измерений чашелистика.

load fisheriris;
X = meas(:,1:2);
[n,p] = size(X);

plot(X(:,1),X(:,2),'.','MarkerSize',15);
title('Fisher''s Iris Data Set');
xlabel('Sepal length (cm)');
ylabel('Sepal width (cm)');

Количество компонентов k в GMM определяет количество подпопуляций или кластеры. В этом рисунке это затрудняет, чтобы определить, является ли два, три, или возможно больше Гауссовых компонентов соответствующим. GMM увеличивается в сложности как k увеличения.

rng(3);
k = 3; % Number of GMM components
options = statset('MaxIter',1000);

Sigma = {'diagonal','full'}; % Options for covariance matrix type
nSigma = numel(Sigma);

SharedCovariance = {true,false}; % Indicator for identical or nonidentical covariance matrices
SCtext = {'true','false'};
nSC = numel(SharedCovariance);

d = 500; % Grid length
x1 = linspace(min(X(:,1))-2, max(X(:,1))+2, d);
x2 = linspace(min(X(:,2))-2, max(X(:,2))+2, d);
[x1grid,x2grid] = meshgrid(x1,x2);
X0 = [x1grid(:) x2grid(:)];

threshold = sqrt(chi2inv(0.99,2));
count = 1;
for i = 1:nSigma
    for j = 1:nSC
        gmfit = fitgmdist(X,k,'CovarianceType',Sigma{i}, ...
            'SharedCovariance',SharedCovariance{j},'Options',options); % Fitted GMM
        clusterX = cluster(gmfit,X); % Cluster index 
        mahalDist = mahal(gmfit,X0); % Distance from each grid point to each GMM component
        % Draw ellipsoids over each GMM component and show clustering result.
        subplot(2,2,count);
        h1 = gscatter(X(:,1),X(:,2),clusterX);
        hold on
            for m = 1:k
                idx = mahalDist(:,m)<=threshold;
                Color = h1(m).Color*0.75 - 0.5*(h1(m).Color - 1);
                h2 = plot(X0(idx,1),X0(idx,2),'.','Color',Color,'MarkerSize',1);
                uistack(h2,'bottom');
            end    
        plot(gmfit.mu(:,1),gmfit.mu(:,2),'kx','LineWidth',2,'MarkerSize',10)
        title(sprintf('Sigma is %s\nSharedCovariance = %s',Sigma{i},SCtext{j}),'FontSize',8)
        legend(h1,{'1','2','3'})
        hold off
        count = count + 1;
    end
end

initialCond1 = [ones(n-8,1); [2; 2; 2; 2]; [3; 3; 3; 3]]; % For the first GMM
initialCond2 = randsample(1:k,n,true); % For the second GMM
initialCond3 = randsample(1:k,n,true); % For the third GMM
initialCond4 = 'plus'; % For the fourth GMM
cluster0 = {initialCond1; initialCond2; initialCond3; initialCond4};

converged = nan(4,1);

for j = 1:4
    gmfit = fitgmdist(X,k,'CovarianceType','full', ...
        'SharedCovariance',false,'Start',cluster0{j}, ...
        'Options',options);
    clusterX = cluster(gmfit,X); % Cluster index 
    mahalDist = mahal(gmfit,X0); % Distance from each grid point to each GMM component
    % Draw ellipsoids over each GMM component and show clustering result.
    subplot(2,2,j);
    h1 = gscatter(X(:,1),X(:,2),clusterX); % Distance from each grid point to each GMM component
    hold on;
    nK = numel(unique(clusterX));
    for m = 1:nK
        idx = mahalDist(:,m)<=threshold;
        Color = h1(m).Color*0.75 + -0.5*(h1(m).Color - 1);
        h2 = plot(X0(idx,1),X0(idx,2),'.','Color',Color,'MarkerSize',1);
        uistack(h2,'bottom');
    end
	plot(gmfit.mu(:,1),gmfit.mu(:,2),'kx','LineWidth',2,'MarkerSize',10)
    legend(h1,{'1','2','3'});
    hold off
    converged(j) = gmfit.Converged; % Indicator for convergence
end

sum(converged)

ans = 4

Когда упорядочить

Иногда, во время итерации алгоритма EM, подходящая ковариационная матрица может заболеть обусловленная, что означает, что вероятность выходит к бесконечности. Эта проблема может произойти, если один или несколько следующих условий существует:

Чтобы преодолеть эту проблему, можно задать маленькое, положительное число с помощью 'RegularizationValue' аргумент пары "имя-значение". fitgmdist добавляет этот номер к диагональным элементам всех ковариационных матриц, который гарантирует, что все матрицы положительны определенный. Упорядочивание может уменьшать максимальное значение вероятности.

Подходящая статистика модели

В большинстве приложений количество компонентов k и соответствующей структуры ковариации Σ неизвестно. Одним путем можно настроиться, GMM путем сравнения информационных критериев. Два популярных информационных критерия являются Критерием информации о Akaike (AIC) и Байесовым информационным критерием (BIC).

И AIC и BIC берут оптимизированную, отрицательную логарифмическую правдоподобность и затем штрафуют ее с количеством параметров в модели (сложность модели). Однако BIC штрафует за сложность более сильно, чем AIC. Поэтому AIC имеет тенденцию выбирать более сложные модели, которые могут сверхсоответствовать, и BIC имеет тенденцию выбирать более простые модели, которые могут underfit. Хорошая практика должна посмотреть на оба критерия при оценке модели. Более низкий AIC или значения BIC указывают лучше на подбирающие модели. Кроме того, гарантируйте, что ваш выбор для k и структуры ковариационной матрицы подходит для вашего приложения. fitgmdist хранит AIC и BIC подходящего gmdistribution объекты модели в свойствах AIC и BIC. Можно получить доступ к этим свойствам при помощи записи через точку. Для примера, показывающего, как выбрать соответствующие параметры, смотрите смешанные гауссовские модели Мелодии.