Build your ultimate AI agent
课程介绍
混合建模用于在关注总体异质性时对其进行刻画。混合模型借助常见的概率分布（如 Gaussian、Poisson、Binomial），提供了一个便捷且规范的统计框架，用于聚类和分类。与传统聚类方法不同，我们可以估计样本属于某个簇的概率，并对子总体进行推断。例如，在营销场景中，您可能希望对不同客户群体进行聚类，并找出他们购买特定产品的概率，从而以更有针对性的个性化促销触达他们。再如，在对大量文档进行自然语言处理时，您可能希望将文档聚成不同主题，并了解各主题在每篇文档中的重要性。在本课程中，您将学习什么是混合模型、如何估计这些模型，以及在何种情境下适合应用它们。
先修要求
课程大纲
课程大纲
1
混合模型入门
本章将介绍基于模型的聚类的基本概念，以及这种方法与其他聚类技术的差异。您将学习高斯混合模型的生成过程，并了解如何可视化聚类结果。
2
混合模型的结构与参数估计
本章将介绍混合模型的主要结构，如何用该方法处理不同类型的数据，以及如何估计相关参数。为完成估计，您将学习一种迭代方法——期望最大化（Expectation-Maximization）算法。
3
使用 `flexmix` 的高斯混合
本章演示如何使用 `flexmix` 包在 1 维和 2 维上拟合高斯混合模型。所用数据包含 10,000 条个人观测，包含体重、身高、体重指数以及申报的性别。
4
超越高斯的混合模型
在本模块中，您将学习如何将混合模型扩展到高斯分布之外的其他概率分布，并了解如何使用 `flexmix` 对这些模型进行拟合。所用数据集包括手写数字图像和芝加哥市的犯罪数量。对于第一个数据集，您将找到能概括手写数字的聚类；对于第二个数据集，您将识别出更危险或较不危险的社区聚类。
R
R 中的混合模型
课程完成
