24、机器学习中的聚类与神经网络：从理论到实践

机器学习中的聚类与神经网络：从理论到实践

一、贝叶斯高斯混合模型

1.1 自动确定聚类数量

在聚类分析中，手动寻找最优的聚类数量往往比较困难。贝叶斯高斯混合模型（Bayesian Gaussian Mixture Models）提供了一种解决方案。可以使用 BayesianGaussianMixture 类，将聚类数量 n_components 设置为一个明显大于最优聚类数的值，算法会自动消除不必要的聚类。

以下是一个示例代码：

from sklearn.mixture import BayesianGaussianMixture
import numpy as np

# 假设 X 是数据集
# 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结果：

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。

1.2 模型中的参数处理

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