.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "auto_examples/mixture/plot_gmm_selection.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. or to run this example in your browser via JupyterLite or Binder .. rst-class:: sphx-glr-example-title .. _sphx_glr_auto_examples_mixture_plot_gmm_selection.py: ================================ اختيار نموذج المزيج الغاوسي ================================ هذا المثال يوضح أنه يمكن إجراء اختيار النموذج باستخدام نماذج المزيج الغاوسي (GMM) باستخدام :ref:`معايير نظرية المعلومات `. يهتم اختيار النموذج بكل من نوع التغاير وعدد المكونات في النموذج. في هذه الحالة، يوفر كل من معيار معلومات أكايكي (AIC) ومعيار معلومات بايز (BIC) النتيجة الصحيحة، ولكننا نقوم بعرض الأخير فقط لأن BIC أكثر ملاءمة لتحديد النموذج الحقيقي من بين مجموعة من المرشحين. على عكس الإجراءات البايزية، فإن هذه الاستدلالات خالية من المعايير المسبقة. .. GENERATED FROM PYTHON SOURCE LINES 11-15 .. code-block:: Python # المؤلفون: مطوري سكايلرن # معرف الترخيص: BSD-3-Clause .. GENERATED FROM PYTHON SOURCE LINES 16-22 توليد البيانات --------------- نقوم بتوليد مكونين (كل منهما يحتوي على `n_samples`) عن طريق أخذ عينات عشوائية من التوزيع الطبيعي القياسي كما هو مُرجع من `numpy.random.randn`. يتم الحفاظ على أحد المكونات كرويًا ولكن يتم تحويله وتغيير مقياسه. يتم تشويه المكون الآخر ليحصل على مصفوفة تغاير أكثر عمومية. .. GENERATED FROM PYTHON SOURCE LINES 22-33 .. code-block:: Python import numpy as np n_samples = 500 np.random.seed(0) C = np.array([[0.0, -0.1], [1.7, 0.4]]) component_1 = np.dot(np.random.randn(n_samples, 2), C) # general component_2 = 0.7 * np.random.randn(n_samples, 2) + np.array([-4, 1]) # spherical X = np.concatenate([component_1, component_2]) .. GENERATED FROM PYTHON SOURCE LINES 34-35 يمكننا تصور المكونات المختلفة: .. GENERATED FROM PYTHON SOURCE LINES 35-44 .. code-block:: Python import matplotlib.pyplot as plt plt.scatter(component_1[:, 0], component_1[:, 1], s=0.8) plt.scatter(component_2[:, 0], component_2[:, 1], s=0.8) plt.title("مكونات مزيج غاوسي") plt.axis("equal") plt.show() .. image-sg:: /auto_examples/mixture/images/sphx_glr_plot_gmm_selection_001.png :alt: مكونات مزيج غاوسي :srcset: /auto_examples/mixture/images/sphx_glr_plot_gmm_selection_001.png :class: sphx-glr-single-img .. GENERATED FROM PYTHON SOURCE LINES 45-65 تدريب النموذج واختياره ---------------------------- نقوم بتغيير عدد المكونات من 1 إلى 6 ونوع معاملات التغاير لاستخدامها: - `"full"`: لكل مكون مصفوفة تغاير عامة خاصة به. - `"tied"`: جميع المكونات تشترك في نفس مصفوفة التغاير العامة. - `"diag"`: لكل مكون مصفوفة تغاير قطرية خاصة به. - `"spherical"`: لكل مكون تغاير خاص به. نقوم بتقييم النماذج المختلفة والاحتفاظ بأفضل نموذج (أقل BIC). يتم ذلك باستخدام :class:`~sklearn.model_selection.GridSearchCV` ووظيفة تقييم مُعرّفة من قبل المستخدم والتي تعيد نتيجة BIC السلبية، حيث أن :class:`~sklearn.model_selection.GridSearchCV` مصممة ل**تحقيق الحد الأقصى** لنتيجة التقييم (تحقيق الحد الأقصى للنتيجة السلبية لـ BIC يعادل تحقيق الحد الأدنى لـ BIC). يتم تخزين أفضل مجموعة من المعاملات والمقدر في `best_parameters_` و `best_estimator_`، على التوالي. .. GENERATED FROM PYTHON SOURCE LINES 65-85 .. code-block:: Python from sklearn.mixture import GaussianMixture from sklearn.model_selection import GridSearchCV def gmm_bic_score(estimator, X): """قابل للاستدعاء لتمريره إلى GridSearchCV والذي سيستخدم نتيجة BIC.""" # اجعلها سلبية لأن GridSearchCV يتوقع نتيجة تقييم لتحقيق الحد الأقصى لها return -estimator.bic(X) param_grid = { "n_components": range(1, 7), "covariance_type": ["spherical", "tied", "diag", "full"], } grid_search = GridSearchCV( GaussianMixture(), param_grid=param_grid, scoring=gmm_bic_score ) grid_search.fit(X) .. raw:: html 
GridSearchCV(estimator=GaussianMixture(),
                 param_grid={'covariance_type': ['spherical', 'tied', 'diag',
                                                 'full'],
                             'n_components': range(1, 7)},
                 scoring=<function gmm_bic_score at 0x7fe49cb4a710>)
In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.


.. GENERATED FROM PYTHON SOURCE LINES 86-92 رسم نتائج BIC ------------------- لتسهيل الرسم، يمكننا إنشاء `pandas.DataFrame` من نتائج الاختبار المتقاطع الذي قام به البحث الشبكي. نقوم بإعادة عكس إشارة نتيجة BIC لإظهار تأثير تحقيق الحد الأدنى منها. .. GENERATED FROM PYTHON SOURCE LINES 92-108 .. code-block:: Python import pandas as pd df = pd.DataFrame(grid_search.cv_results_)[ ["param_n_components", "param_covariance_type", "mean_test_score"] ] df["mean_test_score"] = -df["mean_test_score"] df = df.rename( columns={ "param_n_components": "Number of components", "param_covariance_type": "Type of covariance", "mean_test_score": "BIC score", } ) df.sort_values(by="BIC score").head() .. raw:: html
Number of components Type of covariance BIC score
19 2 full 1046.829429
20 3 full 1084.038689
21 4 full 1114.517272
22 5 full 1148.512281
23 6 full 1179.977890


.. GENERATED FROM PYTHON SOURCE LINES 109-120 .. code-block:: Python import seaborn as sns sns.catplot( data=df, kind="bar", x="Number of components", y="BIC score", hue="Type of covariance", ) plt.show() .. image-sg:: /auto_examples/mixture/images/sphx_glr_plot_gmm_selection_002.png :alt: plot gmm selection :srcset: /auto_examples/mixture/images/sphx_glr_plot_gmm_selection_002.png :class: sphx-glr-single-img .. GENERATED FROM PYTHON SOURCE LINES 121-137 في الحالة الحالية، النموذج ذو المكونين وتغاير كامل (الذي يتوافق مع النموذج التوليدي الحقيقي) لديه أقل نتيجة BIC وبالتالي يتم اختياره من قبل البحث الشبكي. رسم أفضل نموذج ------------------- نرsection نرسم قطع ناقص لإظهار كل مكون غاوسي للنموذج المختار. لهذا الغرض، نحتاج إلى إيجاد القيم الذاتية لمصفوفات التغاير كما هو مُرجع من الخاصية `covariances_`. يعتمد شكل هذه المصفوفات على `covariance_type`: - `"full"`: (`n_components`, `n_features`, `n_features`) - `"tied"`: (`n_features`, `n_features`) - `"diag"`: (`n_components`, `n_features`) - `"spherical"`: (`n_components`,) .. GENERATED FROM PYTHON SOURCE LINES 137-171 .. code-block:: Python from matplotlib.patches import Ellipse from scipy import linalg color_iter = sns.color_palette("tab10", 2)[::-1] Y_ = grid_search.predict(X) fig, ax = plt.subplots() for i, (mean, cov, color) in enumerate( zip( grid_search.best_estimator_.means_, grid_search.best_estimator_.covariances_, color_iter, ) ): v, w = linalg.eigh(cov) if not np.any(Y_ == i): continue plt.scatter(X[Y_ == i, 0], X[Y_ == i, 1], 0.8, color=color) angle = np.arctan2(w[0][1], w[0][0]) angle = 180.0 * angle / np.pi # تحويل إلى درجات v = 2.0 * np.sqrt(2.0) * np.sqrt(v) ellipse = Ellipse(mean, v[0], v[1], angle=180.0 + angle, color=color) ellipse.set_clip_box(fig.bbox) ellipse.set_alpha(0.5) ax.add_artist(ellipse) plt.title( f"Selected GMM: {grid_search.best_params_['covariance_type']} model, " f"{grid_search.best_params_['n_components']} components" ) plt.axis("equal") plt.show() .. image-sg:: /auto_examples/mixture/images/sphx_glr_plot_gmm_selection_003.png :alt: Selected GMM: full model, 2 components :srcset: /auto_examples/mixture/images/sphx_glr_plot_gmm_selection_003.png :class: sphx-glr-single-img .. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 2.802 seconds) .. _sphx_glr_download_auto_examples_mixture_plot_gmm_selection.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: binder-badge .. image:: images/binder_badge_logo.svg :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/mixture/plot_gmm_selection.ipynb :alt: Launch binder :width: 150 px .. container:: lite-badge .. image:: images/jupyterlite_badge_logo.svg :target: ../../lite/lab/index.html?path=auto_examples/mixture/plot_gmm_selection.ipynb :alt: Launch JupyterLite :width: 150 px .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_gmm_selection.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_gmm_selection.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_gmm_selection.zip ` .. include:: plot_gmm_selection.recommendations .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_