如何在 scikit-learn 下绘制拟合高斯混合模型的概率密度函数？

Question

我正在为一项相当简单的任务而苦苦挣扎。我有一个浮点向量，我想用两个高斯核拟合一个高斯混合模型：

from sklearn.mixture import GMM

gmm = GMM(n_components=2)
gmm.fit(values)  # values is numpy vector of floats

我现在想为我创建的混合模型绘制概率密度函数，但我似乎找不到任何有关如何执行此操作的文档。我应该如何最好地进行？

编辑：

Here 是我正在拟合的数据向量。下面是我如何做事的更详细的示例：

from sklearn.mixture import GMM
from matplotlib.pyplot import *
import numpy as np

try:
    import cPickle as pickle
except:
    import pickle

with open('/path/to/kde.pickle') as f:  # open the data file provided above
    kde = pickle.load(f)

gmm = GMM(n_components=2)
gmm.fit(kde)

x = np.linspace(np.min(kde), np.max(kde), len(kde))

# Plot the data to which the GMM is being fitted
figure()
plot(x, kde, color='blue')

# My half-baked attempt at replicating the scipy example
fit = gmm.score_samples(x)[0]
plot(x, fit, color='red')

拟合曲线与我预期的完全不同。它甚至看起来都不是高斯的，这有点奇怪，因为它是由高斯过程产生的。我疯了吗？

Answer 1

我遵循了这个线程和其他人中提到的一些示例，并设法更接近解决方案，但最终的概率密度函数并没有集成到一个。我想，我会在另一个帖子中发布这个问题。

import ntumpy as np
import matplotlib.pyplot as plt
from sklearn.mixture import GaussianMixture

np.random.seed(1)

mus =  np.array([[0.2], [0.8]])
sigmas = np.array([[0.1], [0.1]]) ** 2
gmm = GaussianMixture(2)
gmm.means_ = mus
gmm.covars_ = sigmas
gmm.weights_ = np.array([0.5, 0.5])

#Fit the GMM with random data from the correspondent gaussians
gaus_samples_1 = np.random.normal(mus[0], sigmas[0], 10).reshape(10,1)
gaus_samples_2 = np.random.normal(mus[1], sigmas[1], 10).reshape(10,1)
fit_samples = np.concatenate((gaus_samples_1, gaus_samples_2))
gmm.fit(fit_samples)

fig = plt.figure()
ax = fig.add_subplot(111)
x = np.linspace(0, 1, 1000).reshape(1000,1)
logprob = gmm.score_samples(x)
pdf = np.exp(logprob)
#print np.max(pdf) -> 19.8409464401 !?
ax.plot(x, pdf, '-k')
plt.show()

Answer 2

看看这个链接：

http://www.astroml.org/book_figures/chapter4/fig_GMM_1D.html

他们展示了如何以 3 种不同的方式绘制一维 GMM：

Answer 3

看看 Github 上的 scikit-learn 示例之一

https://github.com/scikit-learn/scikit-learn/blob/master/examples/mixture/plot_gmm_pdf.py

这个想法是生成meshgrid，从gmm 中获取他们的score，然后绘制它。

例子展示

Answer 4

我认为，这是一个很好的资源 - https://jakevdp.github.io/blog/2013/12/01/kernel-density-estimation/