原创转载请注明出处:https://www.cnblogs.com/agilestyle/p/12910191.html
EM 聚类
EM 的英文是 Expectation Maximization,所以 EM 算法也叫最大期望算法。
EM 算法过程
首先初始化参数,然后再观察预期,这两个步骤实际上就是期望步骤(Expectation)。
如果结果存在偏差就需要重新估计参数,这个就是最大化步骤(Maximization)。
这两个步骤加起来也就是 EM 算法的过程。
EM 算法的工作原理
最大似然
英文是 Maximum Likelihood,所以最大似然也就是最大可能性的意思。举个例子,有一男一女两个同学,现在要对他俩进行身高的比较,谁会更高呢?根据经验,相同年龄下男性的平均身高比女性的高一些,所以男同学高的可能性会很大。这里运用的就是最大似然的概念。
最大似然估计
它指的就是一件事情已经发生了,然后反推更有可能是什么因素造成的。还是用一男一女比较身高为例,假设有一个人比另一个人高,反推他可能是男性。最大似然估计是一种通过已知结果,估计参数的方法。
EM 算法
EM 算法是一种求解最大似然估计的方法,通过观测样本,来找出样本的模型参数。
EM 聚类的工作原理
EM 算法最直接的应用就是求参数估计。如果把潜在类别当做隐藏变量,样本看做观察值,就可以把聚类问题转化为参数估计问题。这也就是 EM 聚类的原理。
相比于 K-Means 算法,EM 聚类更加灵活,比如下面这两种情况,K-Means 会得到下面的聚类结果。
因为 K-Means 是通过距离来区分样本之间的差别的,且每个样本在计算的时候只能属于一个分类,称之为是硬聚类算法。而 EM 聚类在求解的过程中,实际上每个样本都有一定的概率和每个聚类相关,叫做软聚类算法。
可以把 EM 算法理解成为是一个框架,在这个框架中可以采用不同的模型来用 EM 进行求解。
常用的 EM 聚类有
- GMM 高斯混合模型
- HMM 隐马尔科夫模型。
GMM(高斯混合模型)聚类就是 EM 聚类的一种。比如上面这两个图,可以采用 GMM 来进行聚类。和 K-Means 一样,事先知道聚类的个数,但是不知道每个样本分别属于哪一类。通常,可以假设样本是符合高斯分布的(也就是正态分布)。每个高斯分布都属于这个模型的组成部分(component),要分成 K 类就相当于是 K 个组成部分。这样可以先初始化每个组成部分的高斯分布的参数,然后再看来每个样本是属于哪个组成部分。这也就是 E 步骤。再通过得到的这些隐含变量结果,反过来求每个组成部分高斯分布的参数,即 M 步骤。反复 EM 步骤,直到每个组成部分的高斯分布参数不变为止。这样也就相当于将样本按照 GMM 模型进行了 EM 聚类。
sklearn 中的 GMM 聚类
几个比较主要的参数
1. n_components:即高斯混合模型的个数,也就是要聚类的个数,默认值为 1。如果不指定 n_components,最终的聚类结果都会为同一个值。
2. covariance_type:代表协方差类型。一个高斯混合模型的分布是由均值向量和协方差矩阵决定的,所以协方差的类型也代表了不同的高斯混合模型的特征。协方差类型有 4 种取值:
- covariance_type=full,代表完全协方差,也就是元素都不为 0;
- covariance_type=tied,代表相同的完全协方差;
- covariance_type=diag,代表对角协方差,也就是对角不为 0,其余为 0;
- covariance_type=spherical,代表球面协方差,非对角为 0,对角完全相同,呈现球面的特性。
3. max_iter:代表最大迭代次数,EM 算法是由 E 步和 M 步迭代求得最终的模型参数,这里可以指定最大迭代次数,默认值为 100。
使用 EM 算法对 load_iris 数据进行聚类
准备数据
import matplotlib.pyplot as plt from sklearn.datasets import load_iris iris = load_iris() # select first two columns X = iris.data[:, :2] # (150, 2) print(X.shape) # [5.1 4.9 4.7 4.6 5. 5.4 4.6 5. 4.4 4.9 5.4 4.8 4.8 4.3 5.8 5.7 5.4 5.1 # 5.7 5.1 5.4 5.1 4.6 5.1 4.8 5. 5. 5.2 5.2 4.7 4.8 5.4 5.2 5.5 4.9 5. # 5.5 4.9 4.4 5.1 5. 4.5 4.4 5. 5.1 4.8 5.1 4.6 5.3 5. 7. 6.4 6.9 5.5 # 6.5 5.7 6.3 4.9 6.6 5.2 5. 5.9 6. 6.1 5.6 6.7 5.6 5.8 6.2 5.6 5.9 6.1 # 6.3 6.1 6.4 6.6 6.8 6.7 6. 5.7 5.5 5.5 5.8 6. 5.4 6. 6.7 6.3 5.6 5.5 # 5.5 6.1 5.8 5. 5.6 5.7 5.7 6.2 5.1 5.7 6.3 5.8 7.1 6.3 6.5 7.6 4.9 7.3 # 6.7 7.2 6.5 6.4 6.8 5.7 5.8 6.4 6.5 7.7 7.7 6. 6.9 5.6 7.7 6.3 6.7 7.2 # 6.2 6.1 6.4 7.2 7.4 7.9 6.4 6.3 6.1 7.7 6.3 6.4 6. 6.9 6.7 6.9 5.8 6.8 # 6.7 6.7 6.3 6.5 6.2 5.9] print(X[:, 0]) # [3.5 3. 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 3.7 3.4 3. 3. 4. 4.4 3.9 3.5 # 3.8 3.8 3.4 3.7 3.6 3.3 3.4 3. 3.4 3.5 3.4 3.2 3.1 3.4 4.1 4.2 3.1 3.2 # 3.5 3.6 3. 3.4 3.5 2.3 3.2 3.5 3.8 3. 3.8 3.2 3.7 3.3 3.2 3.2 3.1 2.3 # 2.8 2.8 3.3 2.4 2.9 2.7 2. 3. 2.2 2.9 2.9 3.1 3. 2.7 2.2 2.5 3.2 2.8 # 2.5 2.8 2.9 3. 2.8 3. 2.9 2.6 2.4 2.4 2.7 2.7 3. 3.4 3.1 2.3 3. 2.5 # 2.6 3. 2.6 2.3 2.7 3. 2.9 2.9 2.5 2.8 3.3 2.7 3. 2.9 3. 3. 2.5 2.9 # 2.5 3.6 3.2 2.7 3. 2.5 2.8 3.2 3. 3.8 2.6 2.2 3.2 2.8 2.8 2.7 3.3 3.2 # 2.8 3. 2.8 3. 2.8 3.8 2.8 2.8 2.6 3. 3.4 3.1 3. 3.1 3.1 3.1 2.7 3.2 # 3.3 3. 2.5 3. 3.4 3. ] print(X[:, 1]) # plot the data plt.scatter(X[:, 0], X[:, 1]) plt.show()
样本数据分布图如下:
聚类分析
from sklearn.mixture import GaussianMixture gmm = GaussianMixture(n_components=3) gmm.fit(X) labels = gmm.predict(X) print(labels) X0 = X[labels == 0] X1 = X[labels == 1] X2 = X[labels == 2] plt.scatter(X0[:, 0], X0[:, 1], c='r') plt.scatter(X1[:, 0], X1[:, 1], c='y') plt.scatter(X2[:, 0], X2[:, 1], c='g') plt.show()
结果数据分布图如下:
Summary
聚类和分类不一样,聚类是无监督的学习方式,也就是没有实际的结果可以进行比对,所以聚类的结果评估不像分类准确率一样直观,但是聚类结果的评估方式可以采用 Calinski-Harabasz 指标,代码如下:
from sklearn.metrics import calinski_harabasz_score print(calinski_harabasz_score(X, labels))
Note:每次运行结果的指标分数可能会不一样
指标分数越高,代表聚类效果越好,也就是相同类中的差异性小,不同类之间的差异性大。当然具体聚类的结果含义,需要人工来分析,也就是当这些数据被分成不同的类别之后,具体每个类表代表的含义。
Reference
https://time.geekbang.org/column/article/81896
https://time.geekbang.org/column/article/82333
https://scikit-learn.org/stable/modules/generated/sklearn.mixture.GaussianMixture.html
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.calinski_harabasz_score.html