GMM/EM 在时间序列集群上
GMM/EM on time series cluster
根据 paper，它应该可以工作。
但是作为 scikit-learn 包的学习者..我不明白如何。
所有示例代码都按椭圆或圆圈聚类为 here.
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），而 4、5、6 分别对应于标准年份的偏差，weekday/weekend 的方差，winter/summer 的方差。所以ylabel不一定满足4,5,6。
根据示例..BIC 确实生成了最佳簇数为 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')
但是，如果我使用可用的示例代码进行绘图......它 returns 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。
基本上是为了解决这个问题。我的关注 回答了如何使用 GMM 进行聚类。
使用相应的参数创建模型
gmm = GaussianMixture(n_components=10, covariance_type ='full', \
init_params = 'random', max_iter = 100, random_state=0)
拟合您的数据（样本数 x 属性数），其名称在我的案例中输入
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
如有不妥欢迎补充
根据 paper，它应该可以工作。 但是作为 scikit-learn 包的学习者..我不明白如何。 所有示例代码都按椭圆或圆圈聚类为 here.
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），而 4、5、6 分别对应于标准年份的偏差，weekday/weekend 的方差，winter/summer 的方差。所以ylabel不一定满足4,5,6。
根据示例..BIC 确实生成了最佳簇数为 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')
但是，如果我使用可用的示例代码进行绘图......它 returns 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。
基本上是为了解决这个问题。我的关注
使用相应的参数创建模型
gmm = GaussianMixture(n_components=10, covariance_type ='full', \
init_params = 'random', max_iter = 100, random_state=0)
拟合您的数据（样本数 x 属性数），其名称在我的案例中输入
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
如有不妥欢迎补充