EM&GMM.zip

东华大学信息学院机器学习大作业全集-最后一个大作业，源代码，实验结果图，论文格式都很详细，别想了就是你想要的那个。

import numpy as np
import matplotlib.pyplot as plt
import math
“““
生成的三个高斯模型的数据点，每个高斯各500个点
“““
def get_data（）:
    mean1 = [10]
    cov1 = [[50][01]]
    mean2 = [80]
    cov2 = [[10][05]]
    mean3 = [44]
    cov3 = [[40][04]]
    #生成数据点
    data1 = np.random.multivariate_normal（mean1cov1500）
    data2 = np.random.multivariate_normal（mean2cov2500）
    data3 = np.random.multivariate_normal（mean3cov3500）
    x1y1 = data1.T
    x2y2 = data2.T
    x3y3 = data3.T
    plt.scatter（x1y1s=3c=‘g‘）
    plt.scatter（x2y2s=3c=‘b‘）
    plt.scatter（x3y3s=3c=‘r‘）
    #合并成一个数据集
    x = np.hstack（（x1x2x3））
    y = np.hstack（（y1y2y3））
    return xy

“““
计算矩阵的行列式的值和逆矩阵
“““
def get_det_inv（c）:
    det_c=np.linalg.det（c）
    inv_c=np.linalg.inv（c）
    return det_cinv_c

“““
do-M step 更新参数wcu
“““
def do_mstep（Plenxyu）:
    c=sum（P）
    w=sum（P）/len
    tem1=np.array（[[0][0]]）
    tem2=np.array（[[00][00]]）
    for i in range（len）:
        a = np.array（[[x[i] y[i]]]）
        a = a.T
        tem1=tem1+P[i]*a
        tem2=tem2+P[i]*np.dot（（a-u）（a-u）.T）
    u=tem1/c
    c=tem2/c
    return wuc
#获取生成点的二维坐标
xy=get_data（）
len=len（x）
#plt.scatter（xys=1.5）

#高斯模型参数初始化
x_u1=[]
y_u1=[]
x_u2=[]
y_u2=[]
x_u3=[]
y_u3=[]
w1=0.4
u1=np.array（[[1.1][0.1]]）
c1=np.array（[[30][03]]）

w2=0.3
u2=np.array（[[8.2][0.1]]）
c2=np.array（[[30][03]]）

w3=0.3
u3=np.array（[[4.2][4.2]]）
c3=np.array（[[30][03]]）
#记录第一次的聚类中心
x_u1.append（u1[00]）
y_u1.append（u1[10]）
x_u2.append（u2[00]）
y_u2.append（u2[10]）
x_u3.append（u3[00]）
y_u3.append（u3[10]）

#设置迭代次数
flag=100
while（1）:
    #计算行列式的值和逆矩阵
    det_c1inv_c1=get_det_inv（c1）
    det_c2inv_c2=get_det_inv（c2）
    det_c3inv_c3=get_det_inv（c3）
    P1 = []
    P2 = []
    P3 = []
    for i in range（len）:
        a=np.array（[[x[i]y[i]]]）
        a=a.T
        #do E-step
        N1 = （1 / （2 * math.pi * math.sqrt（det_c1））） * np.exp（-0.5 * np.dot（np.dot（（a - u1）.T inv_c1） （a - u1）））
        N1=N1[00]
        N2 = （1 / （2 * math.pi * math.sqrt（det_c2））） * np.exp（-0.5 * np.dot（np.dot（（a - u2）.T inv_c2） （a - u2）））
        N2 = N2[0 0]
        N3 = （1 / （2 * math.pi * math.sqrt（det_c3））） * np.exp（-0.5 * np.dot（np.dot（（a - u3）.T inv_c3） （a - u3）））
        N3 = N3[0 0]
        tem=w1*N1+w2*N2+w3*N3
        #计算先验概率
        p1=w1*N1/tem
        p2=w2*N2/tem
        p3=w3*N3/tem
        P1.append（p1）
        P2.append（p2）
        P3.append（p3）
    # do M-step
    w1_1=w1
    w2u2c2=do_mstep（P2 len x y u2）
    plt.plot（u2[0 0] u2[1 0]）
    w1u1c1=do_mstep（P1 len x y u1）
#   plt.plot（u1[0 0] u1[1 0]）
    w3u3c3=do_mstep（P3 len x y u3）
    plt.plot（u3[0 0] u3[1 0]）
    x_u1.append（u1[0 0]）
    y_u1.append（u1[1 0]）
    x_u2.append（u2[0 0]）
    y_u2.append（u2[1 0]）
    x_u3.append（u3[0 0]）
    y_u3.append（u3[1 0]）
    if abs（w1-w1_1） < 0.0001:
 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-12-22 18:59  EM&GMM\
     文件     1475530  2019-12-22 18:56  EM&GMM\EM&GMM.docx
     目录           0  2019-12-19 21:42  EM&GMM\数据集\
     文件        6254  2019-12-17 22:55  EM&GMM\数据集\The old faithful dataset.txt
     文件        6245  2019-12-19 09:43  EM&GMM\数据集\Theoldfaithfuldataset.txt
     文件        2087  2019-12-19 21:44  EM&GMM\数据集\dest.txt
     文件        4900  2019-12-19 10:28  EM&GMM\数据集\iris.txt
     目录           0  2019-12-22 18:56  EM&GMM\程序源代码\
     文件        3434  2019-12-22 18:23  EM&GMM\程序源代码\实验一.py
     文件        4009  2019-12-22 18:42  EM&GMM\程序源代码\实验三.py
     文件        2938  2019-12-22 18:32  EM&GMM\程序源代码\实验二.py
     文件        4083  2019-12-22 18:51  EM&GMM\程序源代码\思考题1-1.py
     文件        3197  2019-12-19 23:25  EM&GMM\程序源代码\思考题1-2（k-means-2维）.py
     文件        3364  2019-12-19 23:27  EM&GMM\程序源代码\思考题1-2（k-means-3维）.py