问题标签 [mixture]

我有一个数据集x，它是作为四种不同高斯混合的样本生成的：

通过seaborn.kdeplot(x)数据集的核密度图x产生：

高斯混合的“真实”密度图——然而——一个完全不同的图：

将样本的核密度估计与实际密度一起绘制会产生两个完全不同的图：

密度和密度估计应该非常相似，特别是当我的示例中有这么多样本时。

我在这里做错了什么？

我想制作一组来自 3 个不同分布的新值的向量/数据列表，两个是lnorm，一个是混合均匀分布。我需要将每个分布的生成值加总为一个值（v1+v2+v3），以便将分布拟合到 3 个分布的总和。

我的代码没有将分布总和汇总到一个数据集中（带有函数：列表），我不确定代码的 UnivarMixingDistribution 函数部分是否有效？我希望它生成一个值并将其保存到 xv3 并将其添加到另外两个值中。

显示的错误是：

代码：

我需要帮助创建我使用的 1/3 Unif (0,7) 和 2/3 Unif(9,10) 的混合物

但我不确定它是否好，因为在绘制 X 时，它返回一个没有任何意义的散点。

在此先感谢您的帮助 ！

我想使用高斯混合模型来返回类似于下图的东西，除了正确的高斯。

我正在尝试使用 python sklearn.mixture.GaussianMixture，但我失败了。对于任何给定的 x 值，我可以将每个峰值视为直方图的高度。我的问题是：我是否必须找到一种方法将此图转换为直方图并删除负值，或者有没有办法将 GMM 直接应用于此数组以生成红色和绿色高斯？

我有 10 个具有以下特性的汽油储罐： https ://i.stack.imgur.com/B4DPv.png

我希望能够为每个 P1-P13 属性创建具有特定属性范围的 5000gal 混合物。

前任：

P1：45-50%；P2：50-150g；P3：<1g；P4：<0.2%；P5：<0.2%；P6：<1.5%；P7：2-4%；P8：<0.3%；P9：8-12%；P10：2-4%；P11：<0.8%；P12：<50ppm；P13：30-33%；

我正在尝试开发一个 PYTHON 代码，该代码将帮助我查看 50 加仑不同质量的所有可能组合，以实现所需的混合。

您可以将油箱体积四舍五入到最接近的 10 以简化操作

任何指导都会很棒！

到目前为止，我已经使用了 itertools 组合的变量来创建所有可能的混合，然后过滤它们。然而，这需要永远。以下是我一直用来寻找所有可能的 50 加仑组合来制作 5000 加仑混合物的方法。

谢谢！

我正在使用 R 中的 flexmix 包设置以下回归模型的示例混合：model = flexmix(y~ x1 + x2 +x3, data = Data, k=2, control = list(verb = 5, iter = 1000))如何决定将一个变量放入其中一个组件中，以便y~x1+x3在组件 1 和y~x2+x3组件 2 中混合？

我觉得我真的不知道我在做什么，所以我会描述我认为我在做什么，我想做什么以及失败的地方。

给定一个正常的变分自编码器：

我想我在做什么：让神经网络找到一个“均值”和“标准差”值，并用它来创建正态分布（高斯）。从该分布中采样并将其用于解码器。换句话说：学习编码的高斯分布

现在我想对混合高斯做同样的事情。

这对我来说似乎相对简单，只是它失败并出现以下错误：

形状 () 和 (?,) 不兼容

这似乎来自probs没有批量维度（我不认为它需要那个）。

我认为这probs定义了组件之间的概率。

如果我定义一个probs也有批次维度的，我会得到以下神秘错误，我不知道它应该是什么意思：

维度 -1796453376 必须 >= 0

我通常会误解一些概念吗？

或者我需要做些什么不同的事情？

我需要重现下面的归一化密度 p(x)，但给出的代码不会生成归一化 PDF。

如果我通过简单地按它们的总和缩放它们来计算归一化混合 PDF，与上面的原始图相比，我有不同的归一化概率。

在通过 keras（使用 tensorflow 后端）计算混合密度网络时，我遇到了一个问题。这个 MDN 的目标是学习图像的潜在表示（为了在自动编码器中实现 MDN 的预测）。然后，我想将我的输入图像建模为多元正态分布，并作为网络输出获得一个 mu 和 sigma 向量（每个维度为 64），以及一组 N 个权重 alpha（其中 N 是混合物中的分量数）。如果我认为每个参数的输出形状为 64，一切正常，但获得比组件更多的 alpha 因子（在我的情况下是 64 维 alpha）是没有意义的。当我尝试指定 alpha 以获得与 mu 和 sigma 不同的形状时，会出现一些问题。

为了在 tensorflow 的 MixtureSameFamily 模块中实现协方差矩阵，我考虑了 sigma 向量的对角矩阵。然后，我在许多论坛上发现了这个损失函数（负对数似然），并尝试将其适应我的问题：

如果我尝试向我的网络提供一些数据并对其进行编译，我总是会遇到以下错误：

64 是向量的维度，2 是批量大小。使用 1 的批量大小是可行的，但给了我一些 NaN 作为损失。

以下是 alpha、mu 和 sigma 层的构建方式：

因此，问题是：是否有可能通过 tensorflow 做到这一点？有没有其他人在这里使用这种网络，可以向我解释如何处理损失函数？

亲切的问候，

阿德里安

我不明白如何找到真实混合密度的图。在下文中，我提供了为正常混合创建函数的代码。而且我了解如何创建每个单独的密度图，但我不知道如何找到真实的密度。