使用Mclust进行群集会导致一个空的群集

如何解决使用Mclust进行群集会导致一个空的群集

我正在尝试使用Mclust对我的经验数据进行聚类。使用以下非常简单的代码时：

library(reshape2)
library(mclust)

data <- read.csv(file.choose(),header=TRUE,check.names = FALSE)
data_melt <- melt(data,value.name = "value",na.rm=TRUE)

fit <- Mclust(data$value,modelNames="E",G = 1:7)
summary(fit,parameters = TRUE)

R给我以下结果：

---------------------------------------------------- 
Gaussian finite mixture model fitted by EM algorithm 
---------------------------------------------------- 

Mclust E (univariate,equal variance) model with 4 components: 

log-likelihood    n df       BIC       ICL
  -20504.71 3258  8 -41074.13 -44326.69

Clustering table:
1    2    3    4 
0 2271  896   91 

Mixing probabilities:
    1         2         3         4 
0.2807685 0.4342499 0.2544305 0.0305511 

Means:
   1        2        3        4 
1381.391 1381.715 1574.335 1851.667 

Variances:
   1        2        3        4 
7466.189 7466.189 7466.189 7466.189

编辑：在此处下载我的数据https://www.file-upload.net/download-14320392/example.csv.html

我不容易理解为什么Mclust给我一个空的簇（0），尤其是平均值与第二个簇几乎相同。仅在专门寻找单变量，等方差模型时才会出现。使用例如modelNames =“ V”或将其保留为默认值不会产生此问题。

此线程：Cluster contains no observations有一个相似性问题，但是如果我理解正确，这似乎是由于随机生成的数据引起的吗？

对于我的问题在哪里，或者我是否缺少明显的东西，我一点也不了解。任何帮助表示赞赏！

解决方法

正如您所注意到的，聚类1和2的平均值极为相似，并且碰巧那里有很多数据（请参见直方图的峰值）：

set.seed(111)
data <- read.csv("example.csv",header=TRUE,check.names = FALSE)
fit <- Mclust(data$value,modelNames="E",G = 1:7)
hist(data$value,br=50)
abline(v=fit$parameters$mean,col=c("#FF000080","#0000FF80","#BEBEBE80","#BEBEBE80"),lty=8)

简而言之，mclust或gmm是概率模型，用于估计聚类的均值/方差以及属于每个聚类的每个点的概率。这不同于k均值提供的硬分配。因此，该模型的可能性是属于每个群集的每个数据点的概率之和，您可以将其检出also in mclust's publication

在此模型中，聚类1和聚类2的均值相近，但它们的预期比例不同：

fit$parameters$pro
[1] 0.28565736 0.42933294 0.25445342 0.03055627

这意味着，如果您的数据点位于1或2的均值附近，则将其始终分配给群集2，例如，让我们尝试预测1350到1400之间的数据点：

head(predict(fit,1350:1400)$z)
             1         2          3            4
[1,] 0.3947392 0.5923461 0.01291472 2.161694e-09
[2,] 0.3945941 0.5921579 0.01324800 2.301397e-09
[3,] 0.3944456 0.5919646 0.01358975 2.450108e-09
[4,] 0.3942937 0.5917661 0.01394020 2.608404e-09
[5,] 0.3941382 0.5915623 0.01429955 2.776902e-09
[6,] 0.3939790 0.5913529 0.01466803 2.956257e-09

$classification是通过以最大概率获取列而获得的。因此，同一个示例，所有内容都分配给2：

 head(predict(fit,1350:1400)$classification)
[1] 2 2 2 2 2 2

要回答您的问题，不，您没有做错任何事情，至少对于这种GMM实现而言，这是一个后备。我会说这有点过拟合，但是您基本上只能选择具有成员资格的集群。

如果您使用model =“ V”，我认为解决方案同样有问题：

fitv <- Mclust(Data$value,modelNames="V",G = 1:7)
plot(fitv,what="classification")

使用scikit学习GMM我没有看到类似的问题。因此，如果您需要使用具有球形均值的高斯混合，请考虑使用模糊kmeans：

library(ClusterR)
plot(NULL,xlim=range(data),ylim=c(0,4),ylab="cluster",yaxt="n",xlab="values")
points(data$value,fit_kmeans$clusters,pch=19,cex=0.1,col=factor(fit_kmeans$clusteraxis(2,1:3,as.character(1:3))

如果不需要相等的方差，也可以在ClusterR软件包中使用GMM函数。