0

根据一篇论文,它应该可以工作。但是作为scikit-learn包的学习者..我不明白。所有示例代码都由椭圆或圆圈组成,如下所示

我真的很想知道如何通过不同的模式对以下图进行聚类... 0 -3 是特定时间段内的功率平均值(分为 4 个),而 4、5、6 分别对应于一年的标准偏差,工作日/周末的差异,冬季/夏季的差异。所以ylabel不一定会遇到4,5,6。 在此处输入图像描述

在样本之后..BIC 确实生成了最佳聚类数为 5。

n_components = np.arange(1, 21)
models = [GMM(n, covariance_type='full', random_state=0).fit(input)
      for n in n_components]
plt.plot(n_comp, [m.bic(read) for m in models], label = 'BIC')
plt.legend(loc='best')
plt.xlabel('n_components')

在此处输入图像描述

但是,如果我使用可用的示例代码进行绘图.. 它会返回一些完全奇怪的东西,不值得分享。我虽然负 BIC 没问题。但我什至不知道它是否正确聚类以推断出 5 是最佳数字。

4

1 回答 1

0

基本上是为了解决这个问题。我的以下帖子回答了如何使用 GMM 进行集群。

相应地使用参数创建模型

gmm = GaussianMixture(n_components=10, covariance_type ='full', \
              init_params = 'random', max_iter = 100, random_state=0)

适合在我的情况下输入名称的数据(样本数 x 属性数)

gmm.fit(input)
print(gmm.means_.round(2))
cluster = gmm.predict(input)

集群包含我输入的每个样本的标签

欢迎补充,如果我有任何错误

于 2018-03-20T13:56:18.307 回答