问题标签 [gmm]

我已经标记了二维数据。集合中有 4 个标签，我知道每个点与其标签的对应关系。我想，给定一个新的任意数据点，找出它具有 4 个标签中的每一个的概率。它必须属于一个且仅属于一个标签，因此概率总和应为 1。

到目前为止，我所做的是sklearn.mixture.GaussianMixture在与每个标签关联的数据点上训练 4 个独立的 sklearn GMM ( )。应该注意的是，我不希望训练具有 4 个组件的单个 GMM，因为我已经知道标签，并且不想以比我已知标签更糟糕的方式重新聚类。（似乎有一种方法可以为函数提供Y=标签fit()，但我似乎无法让它工作）。

在上图中，点由它们的已知标签着色，等高线表示适合这 4 组点的四个独立 GMM。

对于一个新观点，我尝试通过以下几种方式计算其标签的概率：

1. GaussianMixture.predict_proba()：因为每个独立的 GMM 只有一个分布，所以这只是返回所有模型的概率 1。

2. GaussianMixture.score_samples()：根据文档，这个返回“每个样本的加权对数概率”。我的程序是，对于一个新点，我从代表上述每个分布的四个独立训练的 GMM 中的每一个对该函数进行四次调用。我确实在这里得到了半明智的结果——通常是正确模型的正数和三个不正确模型中的每一个的负数，对于相交分布边界附近的点，结果更加混乱。这是一个典型的明确结果：

2.904136, -60.881554, -20.824841, -30.658509

这个点实际上与第一个标签相关联，并且最不可能是第二个标签（离第二个分布最远）。我的问题是如何将上述分数转换为总和为 1 的概率，并准确表示给定点属于四个分布中的一个且仅属于其中一个的概率？鉴于这些是 4 个独立模型，这可能吗？如果没有，是否有另一种我忽略的方法可以让我根据已知标签训练 GMM，并提供总和为 1 的概率？

如何绘制 3 维数据的高斯混合轮廓拟合？我不知道如何转换 Z。

获得每个平面上正态分布的拟合混合的投影，即 xy、xz 和 yz。这是我无法弄清楚的确切问题。

scikit-learn 中有 GMM 的 bic/aic 标准，但我想在 GPU 上拟合我的数据。我发现 GMM 在 CuPy（cuda numpy 包装器）中实现，但它没有 bic/aic 标准。（https://github.com/cupy/cupy/blob/master/examples/gmm/gmm.py）

如何对该代码实施 bic/aic 标准？或者有好的图书馆吗？请帮忙。

我是使用 sidekit 进行说话人识别的新手，我遇到了一个问题，我需要使用“feature_list”。feature_list=ubm_list 但特征列表中有什么？它说它包含用于训练 GMM 的特征文件列表。但是功能文件中应该包含什么。

我使用下面的代码使用 cPickle 保存了一个模型

现在我想用这个方法解开文件

但我得到这个错误：

我希望输出取消保存的文件

我正在寻找使用 GMM（高斯混合模型）对嘈杂的医学图像（灰度）进行分割的功能。

我在 MATLAB 中发现：

给定X，我的灰度图像。

你会如何定义mu和sigma？它们应该是什么尺寸？你将如何初始化它们？

我尝试了以下方法（给定尺寸（576x720）的图像）：

但我收到一个错误：

wdensity使用（第 29 行）
创建的病态协方差时出错。

gmdistribution/中的错误cluster（第 59 行）
log_lh=wdensity(X,obj.mu, obj.Sigma, obj.PComponents, obj.SharedCov, CovType);

我对 GMM 的工作原理（即软聚类）有一个基本概念，但我希望得到更高级人员的帮助，以了解我在这里所做的事情。

我有一些从两个正态分布中检索到的一维数据。我的目标是估计两个不同的高斯分量。

我使用 GMM（高斯混合模型）。

我检索我的两个高斯。

现在问题是，我想用我上面的高斯参数覆盖直方图。我想我首先必须对直方图进行标准化，但是如何绘制它们以便每个高斯权重的面积正确且总面积等于 1，以及如何覆盖在非标准化直方图之上？

上面的代码块给了我两个规范的高斯图，但它们都有相同的面积。

我正在处理时间序列数据集，因此在拟合包中的GaussianMixture()函数时scikit-learn，我需要使每个特征（时间戳）依赖。但是，在查看源代码后，我没有找到自定义协方差矩阵的参数。

凭借我有限的统计知识，我很好奇如何在 E 步期间修改协方差矩阵以将时间依赖性纳入 GMM 模型。非常感谢。

这是源代码：我要进行的更改是在 estimate_gaussian_parameters() 函数中 https://github.com/scikit-learn/scikit-learn/blob/7389dba/sklearn/mixture/gaussian_mixture.py#L435

出于可重复性的原因，我在这里分享几个数据集。数据集具有以下格式。

从第 2 列开始，我正在读取当前行并将其与前一行的值进行比较。如果它更大，我会继续比较。如果当前值小于前一行的值，我想将当前值（较小）除以前一个值（较大）。因此，以下代码：

这给出了以下图。

从图中我们可以看出

• Data-G，不管数值quotient_times是多少，商总是>=0.9

• quotient_times当小于 3时， Data-V的商为 0.8，如果大于 3，则商保持为 0.5 quotient_times。

• quotient无论值是多少， Data-C的常数都是 0.7 quotient_times。

• quotient无论值是多少，Data-R的常数都是 0.5quotient_times

基于此要求，我们如何绘制高斯混合模型？任何帮助，将不胜感激。

我一直在使用 k-Means 将数据聚类为 2 个类。但是，现在，我想使用不同的方法并使用高斯混合模型将数据聚类为 2 个类。我已经阅读了 Scikit-Learn 文档和其他 SO 问题，但无法理解如何在我目前的上下文中使用 GMM 进行 2 类聚类。

我可以使用 k-Means 轻松地将数据聚类到 2 个类中，如下所示：-

我会很感激任何一个线性/短代码段，我可以用它来在我的数据上拟合 GMM 模型（df_tr_std）。我确信这必须是一个相当简单的过程来适应 GMM 模型，但我对如何将我当前的 k-Means 上下文修改为 GMM 模型感到非常困惑。