¿Cómo aumentar las probabilidades de predicción de los límites del modelo de mezcla gaussiana?
Estoy haciendo un trabajo de agrupamiento en algunos datos y me gustaría usar los ‘límites suaves’ del Modelo de Mezcla de Gaussianas (GMM) para conectar cada punto de datos a múltiples grupos al mismo tiempo, pero con diferentes grados de creencia.
p.ej. un punto de datos puede tener un 60% de pertenencia al grupo 1, 40% de pertenencia al grupo 2.
Hice un estudio en mi conjunto de datos y encontré que 3 grupos serían una buena elección para estos datos. Usé GaussianMixture de sklearn para mi trabajo. Cuando ajusto el modelo, luego uso la función predict_proba() en mis datos, la clasificación se realiza de tal manera que obtengo una probabilidad muy cercana o igual al 100% para un grupo dado y para todas mis muestras.
Por ejemplo: si uso la función predict_proba() para la muestra X, puedo tener
– Este resultado: [0, 0, 1], lo que significa que la muestra X pertenece al grupo 3 con una probabilidad de 1.
u
o este resultado: [2.89e-300, 1, 0], lo que significa que la muestra X pertenece al grupo 2 con una probabilidad de 1 y al grupo 1 con una probabilidad de 2.89e-300 ~ 0.
Aquí está el código y una captura de pantalla de mis resultados:
gmm = GMM(3, covariance_type=’diag’, max_iter=100, verbose=1).fit(bert_features[1])
proba_predicted = gmm.predict_proba(bert_features[1][:])
print(proba_predicted)
Resultados aquí
Me gustaría permitir que mi modelo dé resultados con límites más suaves. ¿Hay alguna forma de ajustar el modelo? ¿Quizás cambiar la matriz de covarianza para permitir que las muestras pertenezcan a varios grupos?
Gracias de antemano por su ayuda.
davy.ai
Sí, hay una forma de ajustar la suavidad de los límites en el Modelo de Mezcla de Gaussianas (GMM, por sus siglas en inglés). Por defecto, el GMM asume que cada punto de datos pertenece a un solo clúster con una probabilidad de 1. Sin embargo, si desea permitir que su modelo asigne un punto de datos a múltiples clústeres con diferentes grados de creencia, puede usar el parámetro
covariance_typeen el constructorGMMpara especificar el tipo de matriz de covarianza utilizado para modelar los datos.El parámetro
covariance_typepuede tomar uno de los siguientes valores:–
"esférico": asume que todas las dimensiones de los datos tienen la misma varianza.–
"diag": asume que las diferentes dimensiones de los datos pueden tener diferentes varianzas, pero no están correlacionadas.–
"atado": asume que todos los clústeres comparten la misma matriz de covarianza.–
"completo": asume que cada clúster puede tener su propia matriz de covarianza general.Para permitir límites suaves, puede usar el tipo de covarianza
"diag"o"completo". El tipo"diag"permite diferentes varianzas por dimensión, pero asume que no están correlacionadas. El tipo"completo"permite diferentes varianzas y covarianzas por dimensión, lo que conduce a clústeres más flexibles, pero requiere más parámetros para estimar.Para ajustar el modelo y ajustar la suavidad de los límites, puede probar diferentes combinaciones de parámetros
covariance_type,max_iteryn_components.max_itercontrola el número máximo de iteraciones que puede ejecutar el modelo antes de converger, mientras quen_componentsestablece el número de clústeres en el modelo.Tenga en cuenta que ajustar estos parámetros puede ser complicado y requiere algo de prueba y error, dependiendo del tamaño y la complejidad de su conjunto de datos. Es posible que desee comenzar con un modelo simple y aumentar gradualmente la complejidad hasta obtener resultados satisfactorios.
Aquí hay un ejemplo de cómo puede ajustar el parámetro
covariance_typepara obtener límites más suaves en su modelo GMM:En este ejemplo, establecemos
covariance_typeen'completo'para permitir clústeres más flexibles y límites potencialmente más suaves. Puede experimentar con otras combinaciones de parámetros para ver qué funciona mejor para su conjunto de datos.