• EM


    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

  • 相关阅读:
    ASP.NET Core "完整发布,自带运行时" 到jexus
    Exploring Message Brokers: RabbitMQ, Kafka, ActiveMQ, and Kestrel--reference
    如何给Windows Server 2012 R2 添加“磁盘清理”选项
    win8、server 2012 清除winsxs文件夹
    win10企业版永久激活2017怎么用
    WCF Routing服务,负载均衡
    Net分布式系统之五:C#使用Redis集群缓存
    Net分布式系统之四:RabbitMQ消息队列应用
    Net分布式系统之三:Keepalived+LVS+Nginx负载均衡之高可用
    Net分布式系统之二:CentOS系统搭建Nginx负载均衡(下)
  • 原文地址:https://www.cnblogs.com/agilestyle/p/12910191.html
Copyright © 2020-2023  润新知