机器学习-非监督学习-高斯混合模型与聚类验证

• 1、简介
• 2、高斯混合模型 (GMM) 聚类
• 3、一维高斯分布
• 4、一维高斯混合模型 (GMM) 聚类
• 5、二维高斯分布
• 6、二维高斯混合模型
• 7、练习：高斯混合
  • 习题 1/3
  • 习题 2/3
  • 习题 3/3
• 8、期望最大化算法概述
• 9、期望最大化 - 第一部分
• 10、期望最大化 - 第二部分
• 11、期望最大化示例
• 12、期望最大化
• 13、GMM 实现
• 14、GMM 示例与应用
• 15、聚类分析过程
• 16、聚类验证
• 17、外部评价指标
• 18、练习：调整兰德系数 (Adjusted Rand Index)
  • 练习题
• 19、内部评价指标
• 20、轮廓系数
  • 练习题

#

1、简介

2、高斯混合模型 (GMM) 聚类

3、一维高斯分布

4、一维高斯混合模型 (GMM) 聚类

5、二维高斯分布

6、二维高斯混合模型

7、练习：高斯混合

习题 1/3

上图中的哪些数据集是可以被视为大致遵循高斯分布的呢（而不是多个高斯混合）？

• A
• B
• C
• D

](https://classroom.udacity.com/nanodegrees/nd009-cn-advanced/parts/635eb098-3c27-4f56-b9ff-45e26ddd2d31/modules/11dfb4a3-14fe-47df-825a-ff66cc09bd42/lessons/75058ed7-ed1e-46b5-9aa2-3fe11da0d136/concepts/b1c31143-50b7-47a2-9154-0d4ffeb7b11c#)

习题 2/3

上图中哪些数据集可以被视为大致遵循二维高斯分布（而不是多个高斯混合）？

• A
• B
• C
• D

](https://classroom.udacity.com/nanodegrees/nd009-cn-advanced/parts/635eb098-3c27-4f56-b9ff-45e26ddd2d31/modules/11dfb4a3-14fe-47df-825a-ff66cc09bd42/lessons/75058ed7-ed1e-46b5-9aa2-3fe11da0d136/concepts/b1c31143-50b7-47a2-9154-0d4ffeb7b11c#)

习题 3/3

上图中的哪个数据集可以被视为多个高斯分布的混合？

• A
• B

8、期望最大化算法概述

9、期望最大化 - 第一部分

10、期望最大化 - 第二部分

11、期望最大化示例

12、期望最大化

判断题：我们在期望最大化算法的第一步中如何初始化高斯参数并不重要，它总是会收敛到最佳值。

错误

13、GMM 实现

14、GMM 示例与应用

Paper: Nonparametric discovery of human routines from sensor data [PDf]

Paper: Application of the Gaussian mixture model in pulsar astronomy [PDF]

Paper: Speaker Verification Using Adapted Gaussian Mixture Models [PDF]

Paper: Adaptive background mixture models for real-time tracking [PDF]

Video: https://www.youtube.com/watch?v=lLt9H6RFO6A

（以上部分内容在国内网络可能无法打开）

15、聚类分析过程

16、聚类验证

17、外部评价指标

18、练习：调整兰德系数 (Adjusted Rand Index)

练习题

假设我们在左边有标记的数据集，并且聚类算法导致了在右边的聚类。 你预计调整兰德系数在这种情况下是多少？

• -1
• 0.5
• 1

19、内部评价指标

基于密度的聚类验证 (PDF)

20、轮廓系数

练习题

判断题：我们可以计算每个点、聚类以及整个数据集的轮廓系数。

• 正确
• 错误

下一项