Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.12

 詳細：ガウス混合モデル

485

図5-131　GMM共分散タイプの可視化

5.12.3

 

GMM

による密度推定

GMM

はしばしばクラスタリングアルゴリズムに分類されますが、基本的には密度推定アルゴリ

ズムです。つまりデータに対する

GMM

適合の結果は、技術的にはクラスタリングモデルではなく、

データの分布を記述する生成的確率モデルです。

例として、

scikit-learn

の

make_moons

関数（図 5-132 で可視化します）から生成されたデータで考

えてみましょう。これについては、「5.11 詳細：k 平均法クラスタリング」で一度使用しました。

In[13]: from sklearn.datasets import make_moons

Xmoon, ymoon = make_moons(200, noise=.05, random_state=0)

plt.scatter(Xmoon[:, 0], Xmoo

n[:, 1]);

図5-132　GMMに使用する非線形境界を有するクラスタ

このデータに対して、

2

成分のクラスタリングモデルとして

GMM

に適合させても、特に有用な

結果は得られません。

In[14]: gmm2 = GaussianMixture(n_components=2, covariance_type='full', random_state=0)

plot_gmm(gmm2, Xmoon)

486

5

章 機械学習

図5-133　非線形クラスタに適合させた2 成分のGMM

しかし、非常に多くの成分を使用してクラスタのラベルで色分けを行わなければ、入力データに ...