GMM

• 算法介绍

  基于统计学习理论的高斯混合模型，将每个簇看作是由一个或多个高斯分布组成。

• 使用场景

  数据集服从高斯分布且聚类数量未知时较优。

• 优势介绍

1. 适用于大多数数据集；
2. 可以包括任意数量的聚类；
3. 可以把聚类看作是概率分布，具有较好的可解释性。

• 劣势介绍

1. 易受局部极值的影响；
2. 计算量较大，训练时间长。

• 参数介绍

  仅支持通过可视化方式，配置读取该组件参数，参数详情如下表所示：

页签	参数	参数名称	是否必选	参数描述	默认值
数据源	表名	inputTable	是	数据表	无
默认参数	选择特征列	selectedColNames	是	输入表中选择特征列名类型。	无
模型参数	混合高斯模型个数	n_components	是	混合高斯模型个数。	1
模型参数	协方差类型	covariance_type	是	协方差类型包括full、tied、diag、spherical等。full指每个分量有各自不同的标准协方差矩阵；tied指所有分量有相同的标准协方差矩阵；diag指每个分量有各自不同对角协方差矩阵；spherical指每个分量有各自不同的简单协方差矩阵，球面协方差矩阵。	full
调优参数	EM迭代停止阈值	tol	是	EM迭代停止阈值。	0.001
调优参数	最大迭代次数	max_iter	是	最大迭代次数。	100
调优参数	初始化次数	n_init	是	初始化次数，用于产生最佳初始参数。	1
调优参数	初始化参数类型	init_params	是	初始化参数类型包括kmeans、random等，初始化参数实现方式，默认用kmeans实现，也可以选择随机产生。	kmeans

• 推荐参数值

1. 聚类个数k值：2-20；
2. 权重协方差矩阵初始化方式：diag，spherical等；
3. 均值向量初始化方式：k-means，随机赋值等。

• 调参建议

1. 调整GMM中的限制，如方差或协方差结构等来捕获数据分布的真正形状，并提高算法的性能；
2. 尝试选择不同的初始化和优化策略，如k-means++、random、L-BFGS等，以找到最优解；
3. 对于非凸形状的数据集，考虑使用层次聚类等方法对其进行预处理；
4. 对于多元混合模型，可以通过使用Akaike信息准则(AIC)或贝叶斯信息准则(BIC)等指标来确定最优分类数。