Я подогнал модель смеси Гаусса (GMM) к ряду данных, который у меня есть. Используя GMM, я пытаюсь получить вероятности другого вектора по элементам. Matlab достигает этого с помощью следующих строк кода.
a = reshape(0:1:15, 14, 1);
gm = fitgmdist(a, 13); % 13 specifies the number of components (means and covs for example) in the fit model
% Testing with new data
b = reshape(-5:1:5, 11, 1);
pdf(gm, b)
0.0000
0.0000
0.0000
0.0000
0.0018
0.0643
0.0658
0.0671
0.0666
0.0662
0.0672
Это ожидаемо, поскольку отрицательные значения от -5 до 0 отсутствуют в данных, предоставленных при подборе, и, следовательно, дают почти нулевые значения.
Я пытаюсь воспроизвести это с помощью python с sklearn. Ниже приведены мои достижения.
from sklearn.mixture import GaussianMixture
import numpy as np
gm = GaussianMixture(n_components=13).fit(np.arange(16).reshape(-1, 1))
# Generate test data
b = np.arange(-5, 6)[:, None]
prob = gm.predict_proba(b).tolist()
"""
prob=
[[8.539939840944505e-152, 0.0, 1.9638856033086253e-68, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[2.238593143299414e-141, 0.0, 3.166463050557315e-63, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[5.868073258732079e-131, 0.0, 5.106947259415683e-58, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[1.5382109014584666e-120, 0.0, 8.239047963148164e-53, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[4.0321459413005606e-110, 0.0, 1.3296012030592655e-47, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[8.790691487706948e-139, 0.0, 1.7850932827696813e-81, 8.316994953954272e-40, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[6.040819196361928e-118, 0.0, 7.556403579572576e-66, 2.180313173877784e-29, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0],
[7.616317001277741e-99, 0.0, 5.870491452246584e-52, 1.0486913731065672e-20, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[1.761856615767359e-81, 0.9999999999999076, 8.370258307836422e-40, 9.254498458447064e-14, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[7.477776611058069e-66, 0.0, 2.190323924113167e-29, 1.4984230843298664e-08, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.9999999850157694, 0.0, 0.0],
[5.823053603579932e-52, 0.0, 1.0519204995101235e-20, 4.4513567127132954e-05, 0.0, 0.0, 0.9999554864328727, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]]
"""
Массив prob возвращает матрицу, в которой каждая строка означает вероятность принадлежности к одному из n_components классов (подразумевается, что сумма по строке = 1). Однако это не ожидаемый результат. Я хотел бы знать вероятность того, что каждый элемент b будет сгенерирован из подходящей модели gm, как это делает Matlab.
Как я могу добиться этого с помощью Python? Спасибо.
Я думаю (может ошибаться), что ваше понимание того, что здесь делает число 13, как в коде Matlab, так и в коде sklearns, немного ошибочно. После просмотра документов число 13, которое вы использовали здесь, по сути, передает модель для поиска 13 различных распределений Гаусса в 16 образцах одномерных данных, которые вы даете модели.
Разве это не то, что описал ОП? Я имею в виду, я не понял, чем ваше понимание отличается от понимания ОП.
@сай, это правда. У меня нет проблем с установкой GMM на оба этих языка. Например, в обоих языках в качестве средства используется вектор
13x1. Мой вопрос связан со следующим шагом. Мне нужен поэлементный PDF-файл из подходящей моделиgm, которую предоставляет Matlab в Python. Надеюсь, на этот раз мои намерения ясны.Я вижу сейчас. Спасибо за объяснение.