【20210610】【机器/深度学习】Python GMM模型学习笔记[亲测有效]

大家好，欢迎来到IT知识分享网。

 先上代码~

import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
from sklearn.mixture import GaussianMixture

#产生实验数据
from sklearn.datasets.samples_generator import make_blobs  # make_blobs是生成聚类使用的数据集
X, labels_true = make_blobs(n_samples = 400, n_features = 2, centers = 4, cluster_std = 0.60, random_state = 0)

# 模型训练
gmm = GaussianMixture(n_components=4).fit(X)
labels = gmm.predict(X)

# 作图
plt.figure(1)
plt.scatter(X[:, 0], X[:, 1], c=labels_true, s=40, cmap='viridis')

plt.figure(2)
plt.scatter(X[:, 0], X[:, 1], c=labels, s=40, cmap='viridis')

plt.show()

一些解释：

1. 去掉 PyCharm 的警告提示：

import warnings
warnings.filterwarings('ignore')

2. 生成聚类数据集：

from sklearn.datasets.samples_generator import make.blobs

samples, labels = make.blobs(n_samples=100, n_features=2, centers=3, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=0)

# 输入参数：
#        n_samples：生成数据集的点数
#        n_features：数据集中数据的维度
#        centers：数据聚类的标签个数（类别数）
#        cluster_std：数据的标准差
#        center_box：中心确定之后的数据边界
#        shuffle：洗乱
#        random_state：随机生成器的种子

# 输出参数：
#        samples：产生的数据集
#        labels：数据集对应的标签

3. 训练GMM模型：

gmm = GaussianMixture(n_components=1).fit(samples)

lables_gmm = gmm.predict(samples)

# 一些解释：
#         n_components：混合高斯模型个数
#         .fit(samples)：基于 samples 样本使用 EM 算法训练 GMM 模型
#         .predict(samples)：使用训练得到的 GMM 模型预测样本数据标签