高斯混合模型和KMeans算法可视化对比

最新推荐文章于 2024-12-05 08:57:33 发布

原创

最新推荐文章于 2024-12-05 08:57:33 发布

· 2k 阅读

6 ·

版权

文章标签：

#聚类

本文介绍了高斯混合模型在聚类中的应用，特别强调其基于期望最大算法(EM)和对正态分布数据的适应性。EM算法通过迭代过程进行类别划分和参数更新。高斯混合模型考虑了数据分布，而KMeans则基于距离划分，形成实心球形聚类。作者还提到KMeans与DBSCAN聚类效果的差异，并表示可就该主题展开更多讨论。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

高斯混合模型
- 简介
- 代码实现

高斯混合模型

简介

高斯混合模型是用来聚类的，其采用期望最大算法(EM)进行迭代。其使用也是有条件的，适合数据是正态分布的数据。因为算法就是利用高斯概率分布函数进行极大似然估计的。
EM算法：一种迭代，分两步，
- 根据初始值来对每个样本进行类别划分(例如代入高斯概率分布函数中，计算出概率，进行分类)
- 根据划分好的类别，进行参数的计算，来更改初始的估计参数。然后再返回到第一步中重新进行分类。直到最后参数不再更新。

代码实现

# 导包
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.cluster import KMeans
from sklearn.mixture import GaussianMixture
# 设置matplotlib中字体
plt.rcParams['font.family']='KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size']=15