dpcluster 0.104

说明

dpcluster是一个用于组合（集群）向量的包。它自动选择最适合数据的集群数量。具体来说，它将数据建模为指数族中的dirichlet过程混合物。有关教程，请参见“Dirichlet Process” by Y.W. Teh (2010)。目前唯一实现的分布是具有正态逆wishart共轭先验的多元高斯分布，但可以扩展到其他分布。

实现了两种推理算法：

• 如“Variational Inference for Dirichlet Process Mixtures” by Blei et al. (2006)所述的变分推理。这是一个需要将所有数据存储在内存中的批处理算法。
• 一种实验性的在线推理算法，只需要o（log（n））内存，其中n是观察的总数。

要在本地安装，请运行：

python setup.py install --user

用法

下面是一个简单的示例，演示如何对平面中的多个随机点进行聚类：

>>> from dpcluster import *
>>> n = 10
>>> data = np.random.normal(size=2*n).reshape(-1,2)
>>> vdp = VDP(GaussianNIW(2))
>>> vdp.batch_learn(vdp.distr.sufficient_stats(data))
>>> plt.scatter(data[:,0],data[:,1])
>>> vdp.plot_clusters(slc=np.array([0,1]))
>>> plt.show()

根据随机生成的数据，运行此命令可能会生成2-3个集群。当我们将数据点的数目从n = 10增加到n = 500时，dirichlet进程混合模型的自适应性质就变得明显了。在这种情况下，聚类算法可能只使用一个聚类来解释数据。

待办事项

• 实现更多的聚类算法，例如基于gibbs抽样、期望传播、随机梯度下降。
• 实现更多的集群分布。
• 重新实现算法以利用多核或gpu计算。