基于R的聚类模型（混合模型-基于概率密度分布的聚类方法）

data_honey

于 2017-12-18 10:51:40 发布

阅读量3.9k

点赞数 3

分类专栏： R 文章标签：算法

本文链接：https://blog.youkuaiyun.com/hfutxiaoguozhi/article/details/78830690

版权

本文介绍了基于R的聚类算法——混合模型，该模型假设样本来自潜在的概率分布混合。通过实例展示了混合模型如何帮助识别数据的聚类结构，与K-means算法对比，表明在某些情况下混合模型能提供更好的聚类效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

混合模型
在上一讲当中，我们给大家介绍了一种比较特殊的聚类算法，DBSCAN。这种算法主要针对一些样本点分布比较特殊的情形，并且我们通过例子发现，传统K-means算法对这种数据无效。在这一讲当中，我们再次看一种比较比较常见，适用情形非常固定的聚类算法，叫做混合模型，这种聚类算法是假设样本分布来自一个潜在的概率分布。或者若干个概率分布的混合。那么样本点的出现也就可以理解为从这个混合分布中抽取的。这样的话有两个好处，第一个好处是，既然每个样本点是来自若干个概率分布的混合，那么每个点相对每个概率分布就会有个权重，这个权重是我们聚类的关键。光是这么说估计大家感到抽象，我们拿例子说明，我们先画一个散点图。代码与图片如下：

# 载入包
library("MASS")
# 载入画图的包
library("ggpubr")
library(ggplot2)
#引入到R空间数据
data("geyser")
#画个散点图
ggplot(geyser,aes(x=duration,y=waiting))+geom_point()

图是这个样子的：