有些部分具有常態兩種混合分佈（我在下面的附件中提供了兩個分佈類型的範例）。 我想根據它們是否包含在發行版的第一部分或第二部分中來標記這些部分。 有沒有辦法做到這一點？
擬合 2-常態混合後，您應該得到 mu1、mu2、sigma1、sigma2、p1、p2，這樣擬合的分佈定義為： F(x) = p1 * 常態分佈(x, mu1, sigma1) + p2 * 常態分佈（x、mu2、sigma2）。
密度函數為：f(x) = p1 * 法線密度(x, mu1, sigma1) + p2 * 法線密度(x, mu2, sigma2)。
定義標籤的一種方法是比較 p1 * 正常密度(x, mu1, sigma1) 和 p2 * 正常密度(x, mu2, sigma2)。 如果第一個較大，則分配 1，否則分配 2。
因此，您可以建立公式列來計算它。
同時，該方法已在Life Distribution 的“Fit Mix” 。 擬合混合物後，使用「保存預測」取得 p1 * 法線密度(x, mu1, sigma1) 和 p2 * 法線密度(x, mu2, sigma2)。 如何處理取決於您。 您可以使用像我所描述的那樣的簡單比較。 或者您可以以更複雜的方式使用這些值。
你好@dkraeuter_sunne ,
我可以建議看看嗎普通混合物聚類？ 它可能非常適合併且與您打算做的事情相關，因為您希望根據分佈相似性對點進行分組。
我嘗試重現您擁有的發行版類型：
當您轉到「分析」、「聚類」、「常態混合」並將分佈指定為 Y 並將聚類數量指定為 2 時，您可以找到以下結果：
從那裡，您可以保存屬於每個聚類的每個點的機率（在紅色三角形選項中，“保存聚類公式”以獲取有關分佈的第一部分或第二部分的標籤，“保存混合機率”以獲取有關的更多詳細資訊集群決策）。
有關正態混合物聚類的更多資訊和說明：無監督機器學習的聚類方法 (jmp.com)
附件中您將找到我創建和使用的玩具資料集，希望它對您有所幫助。
謝謝， @Victor_G很高興知道這個功能。 並且聚類直接在結果中烘焙決策規則！
