原文链接：http://tecdat.cn/?p=6129
介绍
有限混合模型在应用于数据时非常有用，其中观察来自不同的群体，并且群体隶属关系未知。
模拟数据
首先，我们将模拟一些数据。让我们模拟两个正态分布 - 一个平均值为0，另一个平均值为50，两者的标准差为5。
代码语言：javascript复制m1 <- 0
m2 <- 50
sd1 <- sd2 <- 5
N1 <- 100
N2 <- 10
a <- rnorm(n=N1, mean=m1, sd=sd1)
b <- rnorm(n=N2, mean=m2, sd=sd2)
现在让我们将数据“混合”在一起......
print(table(clusters(flexfit), data$class))
##
## 1 2
## 1 100 0
## 2 0 10参数怎么
代码语言：javascript复制cat('pred:', c1[1], 'n')
cat('true:', m1, 'nn')
cat('pred:', c1[2], 'n')
cat('true:', sd1, 'nn')
cat('pred:', c2[1], 'n')
cat('true:', m2, 'nn')
cat('pred:', c2[2], 'n')
cat('true:', sd2, 'nn')
## pred: -0.5613484
## true: 0
##
## pred: 4.799484
## true: 5
##
## pred: 52.86911
## true: 50
##
## pred: 6.89413
## true: 5让我们可视化真实数据和我们拟合的混合模型。
代码语言：javascript复制ggplot(data)
geom_histogram(aes(x, ..density..), binwidth = 1, colour = "black", fill = "white")
stat_function(geom = "line", fun = plot_mix_comps,
args = list(c1[1], c1[2], lam[1]/sum(lam)),
stat_function(geom = "line", fun = plot_mix_comps,
args = list(c2[1], c2[2], lam[2]/sum(lam)),
colour = "blue", lwd = 1.5)
ylab("Density")
看起来做得很好
例子
现在，让我们考虑一个花瓣宽度为鸢尾花的真实例子。
代码语言：javascript复制p <- ggplot(iris, aes(x = Petal.Width))
geom_histogram(aes(x = Petal.Width, ..density..), binwidth = 0.1, colour = "black", fill = "white")
p
flexfit <- flexmix(Petal.Width ~ 1, data = iris, k = 3, model = list(mo1, mo2, mo3))
print(table(clusters(flexfit), iris$Species))
##
## setosa versicolor virginica
## 1 0 2 46
## 2 0 48 4
## 3 50 0 0
geom_histogram(aes(x = Petal.Width, ..density..), binwidth = 0.1, colour = "black", fill = "white")
args = list(c1[1], c1[2], lam[1]/sum(lam)),
colour = "red", lwd = 1.5)
stat_function(geom = "line", fun = plot_mix_comps,
args = list(c2[1], c2[2], lam[2]/sum(lam)),
stat_function(geom = "line", fun = plot_mix_comps,
args = list(c3[1], c3[2], lam[3]/sum(lam)),
colour = "green", lwd = 1.5)
ylab("Density")
即使我们不知道潜在的物种分配，我们也能够对花瓣宽度的基本分布做出某些陈述 。
