吴裕雄 python 机器学习——混合高斯聚类GMM模型

import numpy as np

import matplotlib.pyplot as plt

from sklearn import mixture

from sklearn.metrics import adjusted_rand_score

from sklearn.datasets.samples_generator import make_blobs

def create_data(centers,num=100,std=0.7):

    X, labels_true = make_blobs(n_samples=num, centers=centers, cluster_std=std)

    return  X,labels_true

#混合高斯聚类GMM模型

def test_GMM(*data):

    X,labels_true=data

    clst=mixture.GaussianMixture()

    clst.fit(X)

    predicted_labels=clst.predict(X)

    print("ARI:%s"% adjusted_rand_score(labels_true,predicted_labels))

# 用于产生聚类的中心点

centers=[[1,1],[2,2],[1,2],[10,20]]

# 产生用于聚类的数据集

X,labels_true=create_data(centers,1000,0.5)

#  调用 test_GMM 函数

test_GMM(X,labels_true)

def test_GMM_n_components(*data):

    '''

    测试 GMM 的聚类结果随 n_components 参数的影响

    '''

    X,labels_true=data

    nums=range(1,50)

    ARIs=[]

    for num in nums:

        clst=mixture.GaussianMixture(n_components=num)

        clst.fit(X)

        predicted_labels=clst.predict(X)

        ARIs.append(adjusted_rand_score(labels_true,predicted_labels))

    ## 绘图

    fig=plt.figure()

    ax=fig.add_subplot(1,1,1)

    ax.plot(nums,ARIs,marker="+")

    ax.set_xlabel("n_components")

    ax.set_ylabel("ARI")

    fig.suptitle("GMM")

    plt.show()

#  调用 test_GMM_n_components 函数

test_GMM_n_components(X,labels_true)

def test_GMM_cov_type(*data):

    '''

    测试 GMM 的聚类结果随协方差类型的影响

    '''

    X,labels_true=data

    nums=range(1,50)

    cov_types=['spherical','tied','diag','full']

    markers="+o*s"

    fig=plt.figure()

    ax=fig.add_subplot(1,1,1)

    for i ,cov_type in enumerate(cov_types):

        ARIs=[]

        for num in nums:

            clst=mixture.GaussianMixture(n_components=num,covariance_type=cov_type)

            clst.fit(X)

            predicted_labels=clst.predict(X)

            ARIs.append(adjusted_rand_score(labels_true,predicted_labels))

        ax.plot(nums,ARIs,marker=markers[i],label="covariance_type:%s"%cov_type)

    ax.set_xlabel("n_components")

    ax.legend(loc="best")

    ax.set_ylabel("ARI")

    fig.suptitle("GMM")

    plt.show()

#  调用 test_GMM_cov_type 函数

test_GMM_cov_type(X,labels_true)