24、机器学习中的聚类与神经网络技术

机器学习中的聚类与神经网络技术

1. 贝叶斯高斯混合模型

在聚类分析中，手动寻找最优的聚类数量往往比较繁琐。贝叶斯高斯混合模型（Bayesian Gaussian Mixture Models）提供了一种自动处理的方法。可以使用 BayesianGaussianMixture 类，将聚类数量 n_components 设置为一个合理的较大值，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))

运行结果可能如下：

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）被视为潜在随机变量，就像聚类分配一样。

贝叶斯高斯混合模型涉及到一些概率分布：
- Beta分布 ：常用于对取值在固定范围内的随机变量进行建模，这里范围是0到1。