如何理解R语言聚类算法中的期望最大化聚类

71次阅读
没有评论

共计 554 个字符,预计需要花费 2 分钟才能阅读完成。

今天就跟大家聊聊有关如何理解 R 语言聚类算法中的期望最大化聚类,可能很多人都不太了解,为了让大家更加了解,丸趣 TV 小编给大家总结了以下内容,希望大家根据这篇文章可以有所收获。

1. 原理解析:
它将数据集看作一个含有隐性变量的概率模型, 并以实现模型最优化, 即获取与数据本身性质最契合的聚类方式为目的, 通过”反复估计”模型参数找到最优解, 同时给出相应的最优类别 k. 而”反复估计”的过程即是 EM 算法的精华所在, 这一过程由 E -step(Expectation) 和 M -step(Maximization) 两个步骤交替进行来实现。

2. 在 R 语言中的应用
期望最大化聚类主要运用到了 mclust 包里的 Mclust 函数。
Mclust(data,G=NULL,modelNames=NULL,prior=NULL,control=emControl(),initialization=NULL,warn=FALSE,…)
3. 以 iris 数据集为例进行分析
1) 应用模型并查看模型的相应参数
fit_EM=Mclust(iris[,-5])
fit_EM[1:length(fit_EM)]

看完上述内容,你们对如何理解 R 语言聚类算法中的期望最大化聚类有进一步的了解吗?如果还想了解更多知识或者相关内容,请关注丸趣 TV 行业资讯频道,感谢大家的支持。

正文完
 
丸趣
版权声明:本站原创文章,由 丸趣 2023-08-25发表,共计554字。
转载说明:除特殊说明外本站除技术相关以外文章皆由网络搜集发布,转载请注明出处。
评论(没有评论)