python aic准则_在Python中手工计算Akaike信息标准（AIC）

据我所知，Python中没有AIC包。因此，我试图手动计算它，以找到数据集中的最佳集群数(我使用K-均值进行集群)

我遵循Wiki上的公式：

AIC=2k-2ln(最大可能性)

以下是我当前的代码：range_n_clusters = range(2, 10)

for n_clusters in range_n_clusters:

model = cluster.KMeans(n_clusters=n_clusters, init='k-means++', n_init=10, max_iter=300, tol=0.0001,

precompute_distances='auto', verbose=0, random_state=None, copy_x=True, n_jobs=1)

model.fit(X)

centers = model.cluster_centers_

labels = model.labels_

likelihood = ?????

aic = 2 * len(X.columns) - 2 * likelihood

print(aic)

关于如何计算似然值的任何提示？

//更新时间：

使用高斯混合模型计算AIC：

它不是应该看起来像一条曲线吗？(而不是直线)

我的绘图代码：def aic(X):

range_n_clusters = range(2, 10)

aic_list = []

for n_clusters in range_n_clusters:

model = mixture.GaussianMixture(n_components=n_clusters, init_params='kmeans')

model.fit(X)

aic_list.append(model.aic(X))

plt.plot(range_n_clusters, aic_list, marker='o')

plt.show()

如果觉得《python aic准则_在Python中手工计算Akaike信息标准（AIC）》对你有帮助，请点赞、收藏，并留下你的观点哦！