无监督学习(下)

1.高斯混合模型(GMM)

(1)简单概念

? 高斯混合模型是一种概率模型，它假定实例是由多个参数未知的高斯分布的混合生成的。从单个高斯分布生成的所有实例都形成一个集群，通常看起来像一个椭圆。每个集群都可以由不同的椭圆形状，大小，密度和方向。高斯模型的均值代表集群的中心，方差代表方向

???? 这个模型假定一个数据集是从K个高斯分布的集合中产生，但是每个集合都有一个权重，代表产生一个实例到数据集的可能性或者贡献(我暂且这么理解，要知道更严格的说法可以取看原文)，一个实例的位置x(i)服从某个高斯分布.

(2)求解重点

???? ? 高斯混合模型的目的就是找到这K个类的均值，协方差，还有权重。它和KMeans的算法差不多，也是找K个中心点，然后不断的进行迭代，所用的算法叫做EM最大算法，也就是期望最大化。只不过EM算法使用的是软集群分配，不是硬集权分类，他会估算出每个实例属于其他集群的概率值，使用所有数据进行更新，因为其中包含了概率值。

??? 高斯混合模型和KMean一样，受到初始化影响。而且也需要知道K值。

(3)sklearn中的模型用法

sklearn中有一个GaussianMixture类，也就是高斯混合类，它需要指定成分n_components，相当于k值，在训练之后，可以得到三个值,weight_，means_,covariances_，也就是权重，均值和协方差。

比如我们有一个数据集，是由三个高斯模型生成，然后混合在一起。

gus = GuessianMixture(n_components=3, n_init=10)

gus.fit(X)

就会把三类的数据分开，求出他们的均值，协方差，权重

然后如果你想要根据模型预测某个值属于某个类，可以使用predict或者predict_proba，前一个返回硬决策的值，后一个返回概率值，这个概率值是一个数组，长度为k，代表它属于每一个类的概率。

关于它的用法可以查看官方文档。

(4)抽样

高斯混合模型是一个生成模型，当然也可以生成一些符合该模型的数据

gus.sample(100)

生成一百个数据

(5).密度计算

给定任意位置，可以计算该位置的密度，使用score_samples()实现，分数越高代表密度越高，只不过这个数值是取对数生成的，积分求指数就是面积。

2.高斯混合模型的应用

异常检测，比如欺诈检查，异常值检测。

异常值的判断很简单，低密度的区域的任何实例都被看做异常。所有密度的阈值需要你自己去定义，比如某个产品的异常概率是百分之五，那么我们就可以根据实际经验设置低于这个值的密度，如果在后续发现这个值设定的不好，可以根据情况调整。

3.选择聚类数

对于KMeans可以通过惯性系数和轮廓系数来选择距离的数，但是对于高斯混合模型就不同。

一般是使用贝叶斯信息准则BIC，赤池 信息准则AIC

BIC = log(m)p-2log(L)

AIC=2p-2log(L)

m代表实例数。

p是模型学习的参数数量

L是模型的似然函数的最大值

他们都对具有更多需要学习的参数的模型进行惩罚，并奖励非常拟合数据的模型。他们常常选择的模型相同，但是如果不同，BIC选择模型要更简单，但是AIC要更加拟合数据。

这里突然想起一个面试题，你怎么看待似然函数和概率的？差不多就是这么一个意思吧，就是求解一个模型的惩罚函数，用的方法。

这个东西必须好好谈一下。给定一些参数的统计模型，用概率一词描述未来的结果x的合理性，而用似然一词表示描述在知道结果x之后，一组特定的参数值的合理性。

也就是概率密度函数是x的函数，值被固定，而似然函数是的函数，x被固定。

看了这么久，你可能会问，这个有什么关系吗？

显然，如果是最大似然函数，你对函数积分，就是对x积分，得到的值一定是1

如果你对概率密度函数积分，对积分，你只会得到一个正数，不一定等于1。

如果你给一个数据集，你可能会使用最大似然估计来求解一个模型，然后使用最大似然估计求出=某个值。但是如果存在一个先验概率，就要考虑最大化这个先验概率的最大似然估计，这个求解方式被称为最大后验估计。由于后验概率会约束参数值，则这个后验概率可以看作最大似然估计的正则化版本。

可以调用bic和aic方法查看贝叶斯信息和赤化信息。

2.贝叶斯高斯混合模型

BeyesianGaussianMixture它比上文讲到的高斯混合模型更灵活，它只需要指定最大的n_components然后分类。比如有三个类，我们要求这个模型分出10个类，它就会让其他七个类的权值归零。前面说过，高斯混合模型有三个值需要学习，权重值，均值，协方差，这里也是的，所以不存在的类的权值就归零了。

??? 这个训练过程是用的贝叶斯定律求解，用到了KL散度等知识。总之，它是高斯混合模型的升级版。

?3.其他聚类算法

(1).聚集聚类

它可以把多个类聚集起来、

(2).BIRCH

(3)均值聚类

(4).相似性传播

(5).谱聚类

4.异常值检测和新颖性检测

异常值检测和新颖性检测的区别在于，异常值检测的实例中含有异常值，而新颖性假设数据集没有异常。

使用的算法除了高斯混合模型，还要如下算法

(1).PCA

这是因为正常的实例重建与含有异常值的重建误差比较起来小得多。

(2).Fast-MCD(最小协方差决定)

它假定正常值是高斯分布，异常值不是高斯分布

(3).隔离森林

它构建一个随机森林，然后再每个节点上去掉一个特征，然后选择一个阈值来把数据集分为两个部分，数据集就慢慢分开了，最后所有的数据都分开了，但是异常值会距离其他值更远。而且，他们只需要更少的步骤被隔离开。

(4).局部离群因子(LOF)

它将给定实例周围的实例密度与其相邻的实例周围的密度进行比较，离群值通常比k个最近的邻居更加孤立。

(5).单例SVM

这个就需要给定一个纯洁的数据集，然后指分为一个类，那么最后分割平面就是原点和其他数据分开了。其实这个算法更加适合于新颖性检测。