1

在 scikit 学习高斯混合模型中，我们可以通过以下方式获得均值和协方差

clf = GaussianMixture(n_components=num_clusters, covariance_type="tied", init_params='kmeans')
for i in range(clf.n_components):
    cov=clf.covariances_[i]
    mean=clf.means_[i]

但在石榴高斯混合模型的情况下，没有称为“协方差_”和“均值_”的属性 非常感谢您的宝贵时间。

4

1 回答 1

1

当您运行covariance_type="tied"时，模型假定所有分量都有一个共同的协方差矩阵，因此上面的代码不成立。如果covariance_type="tied"那么它将是 clf.covariances_ 下的 1 个协方差矩阵。参考帮助页面：

'full' 每个分量都有自己的一般协方差矩阵

“捆绑”所有组件共享相同的一般协方差矩阵

用pomegranate它估计每个组件的协方差矩阵，因此可以很好地与GaussianMixture从 sklearn运行covariance_type="full"

from sklearn import datasets
from sklearn.mixture import GaussianMixture

iris = datasets.load_iris()

clf = GaussianMixture(n_components=3, covariance_type="full", init_params='kmeans')
clf.fit(iris.data)
cov = []
means = []
for i in range(clf.n_components):
    cov.append(clf.covariances_[i])
    means.append(clf.means_[i])

所以对于组件或集群 0 ：

means[0]

array([5.006, 3.428, 1.462, 0.246])

cov[0]

array([[0.121765, 0.097232, 0.016028, 0.010124],
       [0.097232, 0.140817, 0.011464, 0.009112],
       [0.016028, 0.011464, 0.029557, 0.005948],
       [0.010124, 0.009112, 0.005948, 0.010885]])

现在使用石榴：

from pomegranate import GeneralMixtureModel, MultivariateGaussianDistribution

mdl = GeneralMixtureModel.from_samples(MultivariateGaussianDistribution,
                                       n_components=3, X=iris.data)
mdl = mdl.fit(iris.data)

参数可以在 下访问distributions，只要你的组件就有一个列表。对于第一个，你做distributions[0]，第二个distributions[1]等等：

mdl.distributions[0].parameters[0]

[5.005999999999999, 3.4280000000000004, 1.462, 0.24599999999999986]

np.round(mdl.distributions[0].parameters[1],6)

array([[0.121764, 0.097232, 0.016028, 0.010124],
       [0.097232, 0.140816, 0.011464, 0.009112],
       [0.016028, 0.011464, 0.029556, 0.005948],
       [0.010124, 0.009112, 0.005948, 0.010884]])
于 2020-11-15T13:09:42.120 回答