Oto skrypt do używania modelu mieszanki przy użyciu mcluster.
X <- c(rnorm(200, 10, 3), rnorm(200, 25,3), rnorm(200,35,3), rnorm(200,65, 3), rnorm(200,80,5))
Y <- c(rnorm(1000, 30, 2))
plot(X,Y, ylim = c(10, 60), pch = 19, col = "gray40")
require(mclust)
xyMclust <- Mclust(data.frame (X,Y))
plot(xyMclust)
W sytuacji, gdy jest mniej niż 5 klastrów:
X1 <- c(rnorm(200, 10, 3), rnorm(200, 25,3), rnorm(200,35,3), rnorm(200,80,5))
Y1 <- c(rnorm(800, 30, 2))
xyMclust <- Mclust(data.frame (X1,Y1))
plot(xyMclust)
xyMclust4 <- Mclust(data.frame (X1,Y1), G=3)
plot(xyMclust4)
W tym przypadku instalujemy 3 klastry. Co jeśli zmieścimy 5 klastrów?
xyMclust4 <- Mclust(data.frame (X1,Y1), G=5)
plot(xyMclust4)
Może zmusić do utworzenia 5 klastrów.
Wprowadzimy też trochę losowego hałasu:
X2 <- c(rnorm(200, 10, 3), rnorm(200, 25,3), rnorm(200,35,3), rnorm(200,80,5), runif(50,1,100 ))
Y2 <- c(rnorm(850, 30, 2))
xyMclust1 <- Mclust(data.frame (X2,Y2))
plot(xyMclust1)
mclust
umożliwia oparte na modelach grupowanie z hałasem, a mianowicie obserwacje zewnętrzne, które nie należą do żadnego skupienia. mclust
pozwala określić wcześniejszą dystrybucję w celu uregulowania dopasowania do danych. W priorControl
mclust dostępna jest funkcja służąca do określania wcześniejszego i jego parametrów. Po wywołaniu z ustawieniami domyślnymi wywołuje inną wywoływaną funkcję, defaultPrior
która może służyć jako szablon do określania alternatywnych priorytetów. Aby uwzględnić szum w modelowaniu, należy podać wstępne przypuszczenie obserwacji hałasu za pośrednictwem komponentu hałasu argumentu inicjalizacji wMclust
lub mclustBIC
.
Inną alternatywą byłoby użycie mixtools
pakietu, który pozwala określić średnią i sigma dla każdego elementu.
X2 <- c(rnorm(200, 10, 3), rnorm(200, 25,3), rnorm(200,35,3),
rnorm(200,80,5), rpois(50,30))
Y2 <- c(rnorm(800, 30, 2), rpois(50,30))
df <- cbind (X2, Y2)
require(mixtools)
out <- mvnormalmixEM(df, lambda = NULL, mu = NULL, sigma = NULL,
k = 5,arbmean = TRUE, arbvar = TRUE, epsilon = 1e-08, maxit = 10000, verb = FALSE)
plot(out, density = TRUE, alpha = c(0.01, 0.05, 0.10, 0.12, 0.15), marginal = TRUE)