PyTorch深度学习实战 | 高斯混合模型聚类原理分析-Toy模板网

这篇具有很好参考价值的文章主要介绍了PyTorch深度学习实战 | 高斯混合模型聚类原理分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

01、问题描述

为理解高斯混合模型解决聚类问题的原理，本实例采用三个一元高斯函数混合构成原始数据，再采用GMM来聚类。

1) 数据

三个一元高斯组件函数可以采用均值和协方差表示如表1所示：

▍表1 三个一元高斯组件函数的均值和协方差

每个高斯组件函数分配不同的权重，其中1号组件权重为30%, 2号组件权重为50%，3号组件权重为20%，随机生成1000个样本数据。

2) 可视化

为了理解三个高斯组件函数是如何混合的，可以将三个一元高斯函数显示在二维坐标中，显示三个高斯组件函数的钟形图。然后，三个组件按照权重比率混合，显示三个组件函数混合后的图形。

3) 聚类

为了找到混合后的数据属于哪一个组件，可以采用聚类的方法来对数据分类。聚类后给每个数据分配1，2或者3其中的一个标签，回顾在混合三个高斯函数时的顺序，对于1000个样本数据，是否对应前300个属于1号组件，正确标签应该为1，中间500个属于2号组件，正确标签应该为2，最后200个属于3号组件，正确标签应该为3，查看聚类后得到分类标签的准确率。

02、实例分析参考解决方案

数据生成MATLAB/Octave参考代码：

mu1=[-1];
mu2=[0];
mu3=[3];
sigma1=[2.25];
sigma2=[1];
sigma3=[.25];

每个高斯组件函数分配不同的权重，其中1号组件权重为30%, 2号组件权重为50%，3号组件权重为20%，随机生成1000个样本数据，MATLAB代码如下所示：

weight1=[.3];
weight2=[.5];
weight3=[.2];
component_1=mvnrnd(mu1,sigma1,300);
component_2=mvnrnd(mu2,sigma2,500);
component_3=mvnrnd(mu3,sigma3,200);
X=[component_1;component_2;component_3];

三个一元高斯函数显示在二维坐标中，MATLAB代码如下所示：

gd1=exp(-0.5*((component_1-mu1)/sigma1).^2)/(sigma1*sqrt(2*pi));
gd2=exp(-0.5*((component_2-mu2)/sigma2).^2)/(sigma2*sqrt(2*pi));
gd3=exp(-0.5*((component_3-mu3)/sigma3).^2)/(sigma3*sqrt(2*pi));
figure;
plot(component_1,gd1,'.');hold on;
plot(component_2,gd2,'.');hold on;
plot(component_3,gd3,'.');
title('Bell cureves of three components');
xlabel('Randomly produced numbers');ylabel('Gauss distribution');

运行以上代码后，可看到三个组件函数的钟形图如图1所示。

▍图1 三个一元高斯函数的钟形图

三个组件按照权重比率混合，MATLAB代码如下所示：

gm1=gmdistribution.fit(X,3);
a=pdf(gm1,X);
figure;plot(X,a,'.');
title('Curve of Gaussian mixture distribution');
xlabel('Randomly produced numbers');
ylabel('Gauss distribution');

运行以上代码，获得三个组件混合后的图形如图2所示。

▍图2 三个一元高斯函数混合后的图形

为了找到混合后的数据属于哪一个组件，可以采用聚类的方法来对数据分类，MATLAB实现代码如下：

idx=cluster(gm1,X);

聚类后给每个数据分配1，2或者3其中的一个标签，回顾在混合三个高斯函数时的顺序，对于1000个样本数据，前300个属于1号组件，正确标签应该为1，中间500个属于2号组件，正确标签应该为2，最后200个属于3号组件，正确标签应该为3，聚类结果后得到分类标签的准确率可以采用如下代码来查看：

figure;
hold on;
for i=1:1000
ifidx(i)==1
plot(X(i),0,'r*');
elseifidx(i)==2
plot(X(i),0,'b+');
else
plot(X(i),0,'go');
    end
end
title('Plot illustrating the cluster assignment');
xlabel('Randomly produced numbers');
ylim([-0.1 0.1]);