Scikit-Learn 的 DPGMM 拟合：组件数量？

Question

我正在尝试使用 scikit-learn 的 DPGMM 算法将混合法线模型拟合到一些数据中。 [0] 上宣传的优点之一是我不需要指定组件的数量；这很好，因为我不知道数据中的组件数量。文档指出我只需要指定一个上限。但是，看起来很不真实：

>>> data = numpy.random.normal(loc = 0.0, scale = 1.0, size = 1000) 
>>> from sklearn.mixture import DPGMM
>>> d = DPGMM(n_components=5)
>>> d.fit(data.reshape(-1,1))
DPGMM(alpha=1.0, covariance_type='diag', init_params='wmc', min_covar=None,
   n_components=5, n_iter=10, params='wmc', random_state=None, thresh=None,
   tol=0.001, verbose=0)
>>> d.n_components
5
>>> d.means_
array([[-0.02283383],
       [ 0.06259168],
       [ 0.00390097],
       [ 0.02934676],
       [-0.05533165]])

如您所见，即使对于仅从一个正态分布中明显采样的数据，拟合也会报告五个分量（上限）。

我做错了吗？我是不是误会了什么？

非常感谢，

卢卡斯

[0]http://scikit-learn.org/stable/modules/mixture.html#dpgmm

Answer 1

我最近对这种 DPGMM 实施的结果也有类似的疑问。如果您检查提供的example，您会注意到 DPGMM 总是返回带有 n_components 的模型，现在的诀窍是删除冗余组件。这可以通过 predict 函数来完成。

不幸的是，这个重要的图片隐藏在代码示例的注释中。

# 因为 DP 不会使用它有权访问的每个组件
# 除非它需要它，否则我们不应该绘制冗余组件

Answer 2

也许考虑使用改进的 sklearn 解决方案来解决此类问题，即Bayesian Gaussian Mixture。使用此模型，必须给出建议的先前组件数量，但是一旦训练，模型就会为每个组件分配权重，这基本上表明了它们的相关性。 Here 是一个非常酷的 BGMM 视觉演示。

一旦您尝试在数据上训练几个 BGMM，您就可以对给定问题的组件数量进行合理的估计。