问题标签 [mixture]

我将具有从混合正态分布生成向量的功能。首先，我已经完成了从以下生成向量的功能N(mu, Sigma)：

我可以使用它 从二维空间BSXgen(10,2,[0;0],diag([1 1]))生成向量。10

接下来，我将从混合正态分布中生成数据。我在做什么：

我对吗？我真的从混合物中生成数据吗？我不确定，所以我会非常感谢任何意见。

我试图以 100000 次的概率从两个不同的分布中提取。不幸的是，我看不出我的 for 循环有什么问题，但是，它只添加了 1 个值，simulated_data而不是所需的 100,000 个值。

问题1：我该如何解决这个问题？

问题 2：有没有一种更有效的方法，我不必遍历列表中的 100,000 个项目？

我正在尝试创建一个 R 函数来从具有 3 个不同参数的 3 分量正态混合分布生成样本，但我不断收到错误消息。

这是我当前的代码

我正在努力用 sklearn 做一个高斯混合，但我认为我错过了一些东西，因为它肯定不起作用。

我的原始数据如下所示：

我想做一个包含 3 个成分 = 3 个基因型 (AA|AB|BB) 的高斯混合。我知道每种基因型的权重、每种基因型的对数比平均值以及每种基因型的强度平均值。

我保留列 LogRatio 和 Strength 并创建一个 NumPy 数组。

然后我测试了来自 sklearn v0.18 的混合函数 GaussianMixture 并尝试了来自 sklearn v0.17 的函数 GaussianMixtureModel （我仍然没有看到区别，也不知道使用哪一个）。

这是我得到的，这是一个很好的结果，但它每次都会改变，因为每次运行初始参数的计算方式都不同

我想在 gaussianMixture 或 GMM 函数中初始化我的参数，但我不明白我必须如何格式化我的数据：（

我现在正在学习 Stan，想实现一个简单的混合模型。

在参考手册（stan-reference-2.14.0）中已经有一个解决方案：

下一页描述了外部循环的矢量化是不可能的。但是，我想知道内部循环的并行化是否仍然存在。

所以我尝试了以下模型：

...并且该模型做出错误的估计（与原始模型相反）。

我想知道，我对模型规范的理解是错误的。我想了解语法提供的区别（以及vector[K]和之间的区别real[K]），也许对 Stan 有更深入的了解。

我想使用sklearn.mixture.GaussianMixture来存储高斯混合模型，以便以后可以使用它来生成样本或使用score_samples方法在样本点处生成值。这是一个示例，其中组件具有以下权重、均值和协方差

然后我将混合物初始化如下

最后，我尝试根据导致错误的参数生成样本：

据我了解，GaussianMixture 旨在使用混合高斯拟合样本，但有没有办法为其提供最终值并从那里继续？

我正在尝试使用 sklearn.mixture.BayesianGaussianMixture 来拟合一组轨迹。

每个轨迹由一组数据点组成，例如

其中t_i是第 i 个轨迹，(x_ik, y_ik)是轨迹上的第 k 个点。例如，x_ik 可以表示机器人在时间步 k 的状态，y_ik 可以表示机器人采取的动作。每个 GP 组件都是从 x_ik -> y_ik 的映射。这是使用 sklearn 学习 GP 的标准。

但是，当您想先学习具有狄利克雷过程的高斯混合模型时，您必须决定何时添加新的 GP 组件。

BayesianGaussianMixture类仅为您提供基于单个数据点进行集群分配的接口。换句话说，一个新的数据点是否属于一个新的集群。

我感兴趣的是：给出一组轨迹，其中每个轨迹可能包含很多数据点。有没有办法根据轨迹进行集群分配？即给定一个新的轨迹，判断它是否属于一个新的集群。

我试图通过使用'target += bernoulli_logit_lmpf（y | alpha）'功能直接增加对数概率来在stan中实现模型。完整模型如下：

我的理解是，这应该产生与下面的抽样语句相同的结果：

然而，这两个模型产生了完全不同的结果（即使在 R 和 Stan 中使用相同的种子）。我认为问题可能在于我如何实现直接增量，所以我也尝试了以下模型。

但是，所有三种模型都会产生不同的结果。有趣的是，直接增量的运行速度大约是采样语句的两倍，但似乎没有给出正确的结果。我需要使用直接增量方法，因为我最终会将这个模型转换为混合模型，而据我所知，混合模型需要直接更新对数概率。对此的任何帮助将不胜感激！

问候，蒂姆

我想模拟一个混合数据，比如 3 维数据。我想在每两个变量之间有 2 个不同的组件。

也就是说，模拟混合数据（V1 和 V2），其中它们之间的依赖关系是两个不同的正常分量。然后，在 V2 和 V3 之间还有另外两个正常分量。所以，我将有 3d 数据，第一个和第二个变量之间的依赖关系是两个法线的混合。第二个和第三个变量之间的依赖关系是另外两个不同成分的混合。

另一种解释我的问题的方法：

假设我想生成如下混合数据：

1- 0.3 normal(0.5,1) + 0.7 normal(2,4) # 因此在这里我将得到一个由两个不同的法线（混合模型的两个分量）生成的二元混合数据，混合器权重之和为 1。

然后，我想得到另一个变量，如下所示：

2- 0.5 normal(2,4) # 这是第一次模拟的第二个变量 + 0.5 normal(2,6)

所以在这里，我得到了 3d 模拟混合数据，其中 V1 和 V2 是由两个不同的混合分量生成的，而 V2 和 V3 是由另一个不同的混合分量生成的。

这是在 r 中生成数据的方法：（我相信它不会生成双变量数据）

因此，如果我们生成混合双变量数据（两个变量），那么如何将其扩展为具有 4 或 5 个变量，其中 V1 和 V2 是从两个不同的法线生成的（它们之间的依赖结构是两个法线的混合），然后 V3 将从另一个不同的正常生成，然后与 V2 结合。也就是说，当我们绘制 V2 ~ V3 时，我们会发现它们之间的依赖结构是两个法线的混合体，依此类推。

我正在评估 R 中的 MXNet，我想对混合密度网络进行建模。可以在此处找到 Tensorflow、Keras 和 Edward 的示例：http: //cbonnett.github.io/MDN_EDWARD_KERAS_TF.html

所示示例是正态分布的混合。怎么能用 MXNet 做同样的分析呢？