劉 洋

(大慶師范學(xué)院 數(shù)學(xué)科學(xué)學(xué)院，黑龍江 大慶 163712)

基于模型的聚類算法受到生物醫(yī)藥學(xué)界，統(tǒng)計(jì)學(xué)界，金融界，計(jì)算機(jī)等領(lǐng)域的高度重視。本文針對(duì)獨(dú)立的Gaussian與Beta有限維混合模型建立一種新的聚類方法，BGMMn聚類算法。此算法更適合獨(dú)立的Gaussian與Beta有限維混合數(shù)據(jù)，特別是Gaussian分布數(shù)據(jù)容易聚類的有限維混合數(shù)據(jù)，有較高的聚類數(shù)目估計(jì)的準(zhǔn)確度。

1 混合模型

觀測(cè)指標(biāo)或樣本數(shù)據(jù)集X={X1,X2,X3,…Xn}分為G個(gè)類，假設(shè)數(shù)據(jù)以權(quán)重πk(k=1,2,…G)來(lái)自每一個(gè)類。 令X=(YT,ZT)T，其中Y為Beta分布有限維觀測(cè)數(shù)據(jù)，Z為Gaussian分布有限維觀測(cè)數(shù)據(jù)，并且假設(shè)Y與Z有相同的類的結(jié)構(gòu)形式，Yi與Zi相互獨(dú)立，i=1,2，…n。 則

θ1k=(αk1,αk2，…αkp1;βk1,βk2，…βkp1)為參數(shù)。

記θk=(θ1k,θ2k),θ=(θ1,θ2…θG)，則觀測(cè)數(shù)據(jù)的聯(lián)合概率模型為

引入數(shù)據(jù)集X的分類標(biāo)簽Hi=(hi1,hi2,…h(huán)iG)T, 若數(shù)據(jù)Xi來(lái)自第k個(gè)類，則hik=1；否則hik=0，其中k=1,2，…G，i=1,2，…n。 于是觀測(cè)數(shù)據(jù)聯(lián)合概率模型的log-似然函數(shù)為

把分類標(biāo)簽H看成缺失向量，可以利用EM算法[1]的E步得到完全數(shù)據(jù)集的log-似然函數(shù)。

2 BGMMn聚類算法

2.1 BGMMn算法流程

1)給出分布中參數(shù)π,μ,σ的初值：

2)利用EM算法[1]估計(jì)Gaussian分布參數(shù)μ,Σ，得到

其中v=1,2，…p2;k=1,2，…G。

3)更新分類指標(biāo)τik

4)重復(fù)2)與3)直到收斂為止。

5)利用第3)步收斂時(shí)τik的取值，根據(jù)分類準(zhǔn)則：若{w|τiw=maxw{τiw}}，則數(shù)據(jù)Xi屬于第w類，得出有限維混合數(shù)據(jù)X的初始分類。

9)循環(huán)6)，7)，8)步驟，直到算法收斂為止。

2.2 模型選擇

利用模型選擇標(biāo)準(zhǔn)AIC[2]，BIC[3]，AIC3[2]，ICL[4]各自確定的聚類數(shù)目選擇最優(yōu)的模型選擇標(biāo)準(zhǔn)。在相同的背景框架下，對(duì)BGMMn聚類算法分別應(yīng)用上述四種模型選擇標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)模擬，比較得到的正確聚類個(gè)數(shù)的次數(shù)，選擇最優(yōu)的模型選擇標(biāo)準(zhǔn)。模擬結(jié)果AIC，BIC，AIC3， ICL得到的正確聚類個(gè)數(shù)的次數(shù)分別為22，6，19，6。于是BGMMn聚類算法應(yīng)用AIC作為給出最優(yōu)聚類個(gè)數(shù)的模型選擇標(biāo)準(zhǔn)。

2.3 算法評(píng)價(jià)的優(yōu)良標(biāo)準(zhǔn)

為了客觀的評(píng)價(jià)算法的優(yōu)良，研究有限維混合數(shù)據(jù)的真實(shí)聚類與算法得到的聚類二者之間的所有可能的聯(lián)系[5]。為了估計(jì)BGMMn聚類算法估計(jì)的準(zhǔn)確度，對(duì)隨機(jī)產(chǎn)生的數(shù)據(jù)集進(jìn)行模擬，比較有限維混合數(shù)據(jù)的真實(shí)的聚類數(shù)目與算法得到的聚類數(shù)目，若二者的聚類數(shù)目一致，則記為1，否則記為0，模擬結(jié)束后，對(duì)記錄結(jié)果進(jìn)行累加，其和記為N，于是算法聚類數(shù)目估計(jì)的準(zhǔn)確度可以通過(guò)式子“N×模擬次數(shù)的倒數(shù)”進(jìn)行計(jì)算。

3 模擬結(jié)果

為檢驗(yàn)BGMMn聚類算法的優(yōu)勢(shì)，比較了BGMMn聚類算法與BGMMs聚類算法[5]，BGMMa聚類算法[5]，BGMMh聚類算法[5]對(duì)聚類數(shù)目估計(jì)的準(zhǔn)確度。模擬數(shù)據(jù)集見(jiàn)表1，對(duì)數(shù)據(jù)集模擬10000次后4種聚類算法對(duì)聚類數(shù)目估計(jì)的準(zhǔn)確度見(jiàn)表2。

表1 模擬的數(shù)據(jù)集

注：GB為容易聚類的Beta分布數(shù)據(jù)，BB為不容易聚類的Beta分布數(shù)據(jù)，GG為容易聚類的Gaussian分布數(shù)據(jù)，BGm為均值接近時(shí)不容易聚類的Gaussian分布數(shù)據(jù)，BGv表示方差很大時(shí)不容易聚類的Gaussian分布數(shù)據(jù)。

表2 聚類數(shù)目預(yù)測(cè)的準(zhǔn)確度

注：GB為容易聚類的Beta分布數(shù)據(jù)，BB為不容易聚類的Beta分布數(shù)據(jù)，GG為容易聚類的Gaussian分布數(shù)據(jù)，BGm為均值接近時(shí)不容易聚類的Gaussian分布數(shù)據(jù)，BGv表示方差很大時(shí)不容易聚類的Gaussian分布數(shù)據(jù)。

4 結(jié)語(yǔ)

通過(guò)對(duì)獨(dú)立的Gaussian與Beta有限維混合模型的聚類算法的研究，提出BGMMn聚類算法。在相同的背景下，通過(guò)模擬4種聚類算法的聚類數(shù)目估計(jì)的準(zhǔn)確度，表明該算法的優(yōu)勢(shì)，也指出Gaussian分布數(shù)據(jù)容易聚類時(shí)該聚類算法較其他三種聚類算法更為有效。

[參考文獻(xiàn)]

[1] Little R J A, Rubin D B.缺失數(shù)據(jù)統(tǒng)計(jì)分析[M].孫山澤,譯.北京:中國(guó)統(tǒng)計(jì)出版社,2004：143-152.

[2] Biernacki C, Govaert G.Choosing models in model-based cluslering and discriminant analysis[J].Journal of statcstical Computarion and simulation,1999,64: 49-71.

[3] Pan W.Incorproating gene functions as priors in model-based clustering of microarray geneexpression data[J].Bioinformatics, 2006,22 (7): 795-801.

[4] Ji Y, Wu C, Liu P, et al. Applications of beta-mixture models in bioinformatics[J].Bioinformatics,2005,21 (9): 2118-2122.

[5] Xiao Feng D, Timo E, Olli Y H, et al. A joint finite mixture model for clustering genes from independent Gaussian and beta distributed data[J].BMC Bioinformatics, 2009,10 :165.