24、机器学习中的聚类与神经网络技术解析

机器学习中的聚类与神经网络技术解析

1. 贝叶斯高斯混合模型

在聚类分析中，手动寻找最优聚类数往往比较困难。贝叶斯高斯混合模型（Bayesian Gaussian Mixture Models）提供了一种解决方案。通过使用 BayesianGaussianMixture 类，我们可以避免手动搜索，该类能够自动将不必要的聚类的权重设为（或接近）零。

具体操作步骤如下：
首先，我们需要设置聚类的数量 n_components ，通常将其设置为一个我们有理由认为大于最优聚类数的值。例如：

from sklearn.mixture import BayesianGaussianMixture 
import numpy as np

# 假设 X 是我们的数据集
bgm = BayesianGaussianMixture(n_components=10, n_init=10) 
bgm.fit(X) 
print(np.round(bgm.weights_, 2))

运行上述代码后，可能会得到类似如下的输出：

array([0.4 , 0.21, 0.4 , 0.  , 0.  , 0.  , 0.  , 0.  , 0.  , 0.  ])

这表明算法自动检测到只需要三个聚类。

在这个模型中，聚类参数（包括权重、均值和协方差矩阵）不再被视为固定的模型参数，而是像聚类分配一样被视为潜在随机变量。

下面介绍几个相