Klasterlash algoritmlari nima?

GMM ning afzalliklari

• 
  GMM ning K- Meansga nisbatan afzalliklaridan biri shundaki, K-Means dispersiyani hisobga olmaydi (bu erda dispersiya qo'ng'iroq shaklidagi egri chiziqning kengligini bildiradi) va GMM ma'lumotlar nuqtalarining K klasterlarining har biriga tegishli bo'lish ehtimolini qaytaradi. . 
  
• 
  Bir-biriga o'xshash klasterlar bo'lsa, yuqoridagi barcha klasterlash algoritmlari uni bitta klaster sifatida aniqlay olmaydi. 
  
• 
  GMM ehtimollik yondashuvidan foydalanadi va klasterlarga tegishli har bir ma'lumot nuqtasi uchun ehtimollikni ta'minlaydi. 
  

GMM ning kamchiliklari

• 
  Tarqatishlar soni ko'p bo'lsa yoki ma'lumotlar to'plami kamroq kuzatilgan ma'lumotlar nuqtalarini o'z ichiga olgan bo'lsa, aralashma modellari hisoblash qimmatga tushadi.
  
• 
  U katta ma'lumotlar to'plamiga muhtoj va klasterlar sonini taxmin qilish qiyin.
  

Endi GMM ma'lumotlarni qanday klasterlashini ko'rib chiqamiz. Quyidagi kod sizga yordam beradi:

• 
  ma'lumotlarni yaratish,
  
• 
  ma'lumotlarni "GaussianMixture" modeliga moslashtirish,
  
• 
  klasterga tayinlangan ma'lumotlar nuqtalarini toping,
  
• 
  noyob klasterlarni olish va
  
• 
  klasterlarni quyida ko'rsatilgandek chizing.
  

numpy importdan qaerda
sklearn.datasets dan numpy importdan noyob
import qilish sklearn.mixture
dan make_classification import GaussianMixture
import matplotlib.pyplot ni uchastka sifatida


#init ma'lumotlar
poyezdi_ma'lumotlari, _ = tasniflash_tasnifi (n_namuna = 1200 ,
n_features= 3 ,
n_informative= 2 ,
n_redundant= 0 ,
n_clusters_per_class= 1 ,
tasodifiy_holat = 4 )

gaussian_mdl = Gauss aralashmasi (n_komponentlar = 3 )

# namunaviy trening
gaussian_mdl.fit(poezd_ma'lumotlari)


Klasterga tayinlangan # ta maʼlumot nuqtasi
gaussian_res = gaussian_mdl.fit_predict (poezd_ma'lumotlari)


# noyob bo'lgan klasterlarni oling
gaussian_clstr = noyob (dbscan_res)


# Gaussian_cluser