利用抽象混合模型和组件模型API实现马尔可夫链贝叶斯聚类技术，包括DPM和MFM技术。
bmcc的Python项目详细描述
贝叶斯马尔可夫链蒙特卡罗聚类
马尔可夫链蒙特卡罗贝叶斯聚类技术的实现，包括dpm（dirichlet过程混合模型[1]）和mfm（有限混合模型[2]）混合模型，具有抽象混合模型和组件模型api。
dpm的超参数更新使用经验bayes更新过程[3]实现。
使用最小二乘聚类[4]实现最终配置选择。
用法
安装和设置
< Python： 首先，使用pip install bmcc安装（或pip3，具体取决于您的版本）。然后，只需导入bmcc。
注意：仅正式支持Python3。 R：
首先，确保安装了python 3，并使用pip install bmcc安装bmcc。然后，用
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
要使用，请加载包bmcc。您还需要加载networkite以处理类型转换。
library(bmcc)library(reticulate)
预期类型
数据集应该是一个二维数组，其中每一行都是一个数据点。数组应该是数据类型为float64的numpy数组，以连续的c顺序排列。
- python:
data=np.array（<；source>；，dtype=np.float64） - r/网状：
data=np_数组（<；source>；，dtype="float64"，order="c"）
赋值向量应该是数组。每个索引处的值指示群集分配。因为集群是无序的，所以值本身没有意义，除了确定唯一性之外，应该忽略它。赋值向量的类型为uint16。
- python:
assignments=np.array（<；source>；，dtype=np.uint16） - r/网状：
赋值=np_数组（<；source>；，dtype="uint16"）
注意，当使用网状时，R类型默认为"数值"（双精度）。调用需要整数参数（即索引、维数）的函数时，必须显式指定整数：
x<-25x<-as.integer(x)# orx<-25L
创建模型
模型分为两部分：混合模型和组件模型。目前，组件模型有一个选项，混合模型有两个选项。
正常Wishart
正态Wishart模型假设每个分量都是从Wishart分布中提取的，其自由度在初始值设定项中指定，比例矩阵与C^-1/df成正比，其中C是观测点的协方差矩阵。
- 巨蟒：
component_model = bmcc.NormalWishart(df=3)
- R/网状：
component_model = NormalWishart(df = 3)
mfm（有限混合物的混合物）
见[ 2 ]。接受两个参数：dirichlet混合参数gamma和一个关于簇数的对数先验函数。gamma默认为1，先前的默认为poisson（mu=4）。
注意：请确保以日志形式给出先前的内容！
- 巨蟒：
mixture_model=bmcc.MFM(gamma=1,prior=lambdak:poisson.logpmf(k,4))
- R/网状：
prior<-function(k){dpois(k,4,log=TRUE)}mixture_model=MFM(gamma=1,prior=py_func(prior))
运行吉布斯采样器
目前，只有折叠吉布斯采样器被实现。可以使用api（documentation todo）将其扩展到通用gibbs采样器，但目前，核心库只实现折叠的gibbs。
GibbsMixtureModelGibbs采样器有5个参数：数据集、先前创建的模型、初始赋值向量（通常将所有点赋给同一个簇）和细化因子。如果稀释因子为1，则保留所有样本；否则，在每个稀释样本中，仅保留一个样本，其余的立即丢弃。
- 巨蟒：
sampler=bmcc.GibbsMixtureModel(data=data,component_model=component_model,mixture_model=mixture_model,assignments=np.zeros(1000).astype(np.uint16),thinning=1)
：
sampler=GibbsMixtureModel(data=data,component_model=component_model,mixture_model=mixture_model,assignments=np_array(rep(0,1000),dtype="uint16"),thinning=1L)
最后，只需每次迭代调用iter方法一次：
- 巨蟒：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
0
<
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
1
您也可以用参数（即sampler.iter（10））调用iter立即。我建议用某种进度条来运行循环：
- 巨蟒：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
2
：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
3
选择结果
目前，只实现了最小二乘配置选择。通过调用具有磨合持续时间的GibbsMixtureModel对象的select\lstsq方法来运行。
- 巨蟒：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
4
：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
5
如果基本事实可用，则调用结果lstsqresult对象的evaluate方法来运行评估统计信息。如果Oracle信息可用，则可以选择传递Oracle（Oracle赋值）和Oracle矩阵（Oracle成对概率）参数以允许比较。
- 巨蟒：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
6
：
library(devtools)install_github("https://github.com/thetianshuhuang/bmcc_r")
7
参考文献
[1]Radford M.Neal（2000），"Dirichlet过程混合模型的马尔可夫链抽样方法"。计算与图形统计杂志，第9卷，第2期。
[2]Jeffrey W.Miller，Matthew T.Harrison（2018），"成分数量上具有先验的混合模型"。美国统计协会杂志，第113卷，521期。
[3]Jon D.McAuliffe，David M.Blei，Michael I.Jordan（2006），"Dirichlet过程混合模型的非参数经验Bayes"。统计与计算，第16卷，第1期。
[4]David B.Dahl（2006），"通过Dirichlet过程混合模型对表达式数据进行基于模型的聚类"。基因表达和蛋白质组学的贝叶斯推断。
欢迎加入QQ群-->： 979659372
推荐PyPI第三方库
