Sklearn高斯混合锁参数？

Question

我正在尝试拟合一些高斯，我已经对初始参数有了一个很好的了解（在这种情况下，我正在生成分布，所以我应该总是能够拟合这些）。但是，我似乎无法弄清楚如何强制平均值为例如0 对于两个高斯。可能吗？ m.means_ = ... 不起作用。

from sklearn import mixture
import numpy as np
import math
import matplotlib.pyplot as plt
from scipy import stats

a = np.random.normal(0, 0.2, 500)
b = np.random.normal(0, 2, 800)

obs = np.concatenate([a,b]).reshape(-1,1)
plt.hist(obs, bins = 100, normed = True, color = "lightgrey")

min_range = -8
max_range = 8

n_gaussians = 2

m = mixture.GaussianMixture(n_components = n_gaussians)
m.fit(obs)

# # Get the gaussian parameters
weights = m.weights_
means = m.means_
covars = m.covariances_

# Plot all gaussians

n_gaussians = 2

gaussian_sum = []
for i in range(n_gaussians):
    mean = means[i]
    sigma = math.sqrt(covars[i])

    plotpoints = np.linspace(min_range,max_range, 1000)

    gaussian_points = weights[i] * stats.norm.pdf(plotpoints, mean, sigma)
    gaussian_points = np.array(gaussian_points)

    gaussian_sum.append(gaussian_points)

    plt.plot(plotpoints,
             weights[i] * stats.norm.pdf(plotpoints, mean, sigma))

sum_gaussian = np.sum(gaussian_sum, axis=0)
plt.plot(plotpoints, sum_gaussian, color = "black", linestyle = "--")
plt.xlim(min_range, max_range)

plt.show()

Answer 1

所以我实际上所追求的是已知的priors，这意味着它实际上应该配备BayesianGaussianMixture，它允许设置mean_prior 和mean_prior_precision

适合

m = mixture.BayesianGaussianMixture(n_components = n_gaussians, mean_prior = np.array([0]), mean_precision_prior = np.array([1]))

甚至可以强制它解决这个问题：

Answer 2

（假设您不想强制，而是给出一个initial-guess。固定大小写可能需要触及整个代码，如果那时整个 EM 方法就派上用场了。它可能会分解为 scipy 的优化模块可以解决的一些优化问题。）

只需关注docs。在创建 GaussianMixture 时支持它。

weights_init：类数组，形状（n_components，），可选

用户提供的初始权重，默认为无。如果为 None，则使用 init_params 方法初始化权重。

means_init：类数组，形状（n_components，n_features），可选

用户提供的初始均值，默认为None，如果为None，则使用init_params方法初始化均值。