如何从石榴高斯混合模型中获取均值和协方差值

Question

在scikit学习高斯混合模型中我们可以通过

得到均值和协方差

clf = GaussianMixture(n_components=num_clusters, covariance_type="tied", init_params='kmeans')
for i in range(clf.n_components):
    cov=clf.covariances_[i]
    mean=clf.means_[i]

但在石榴高斯混合模型的情况下， 没有名为 'covariances_' 和 'means_' 的属性非常感谢您抽出宝贵时间。

Answer 1

当您运行 covariance_type="tied" 时，该模型假设所有组件都有一个共同的协方差矩阵，因此上面的代码不成立。如果 covariance_type="tied" 那么它将是 clf.covariances_ 下的 1 个协方差矩阵。参考help page:

‘full’ each component has its own general covariance matrix

‘tied’ all components share the same general covariance matrix

使用 pomegranate 它估计每个组件的协方差矩阵，因此可以很好地与来自 sklearn 的运行ning GaussianMixture 和 covariance_type="full"

进行比较

from sklearn import datasets
from sklearn.mixture import GaussianMixture

iris = datasets.load_iris()

clf = GaussianMixture(n_components=3, covariance_type="full", init_params='kmeans')
clf.fit(iris.data)
cov = []
means = []
for i in range(clf.n_components):
    cov.append(clf.covariances_[i])
    means.append(clf.means_[i])

所以对于组件或集群 0 :

means[0]

array([5.006, 3.428, 1.462, 0.246])

cov[0]

array([[0.121765, 0.097232, 0.016028, 0.010124],
       [0.097232, 0.140817, 0.011464, 0.009112],
       [0.016028, 0.011464, 0.029557, 0.005948],
       [0.010124, 0.009112, 0.005948, 0.010885]])

现在使用石榴：

from pomegranate import GeneralMixtureModel, MultivariateGaussianDistribution

mdl = GeneralMixtureModel.from_samples(MultivariateGaussianDistribution,
                                       n_components=3, X=iris.data)
mdl = mdl.fit(iris.data)

参数可以在distributions下访问，只要你的组件就有一个列表。对于第一个，你做 distributions[0]，第二个 distributions[1] 等等：

mdl.distributions[0].parameters[0]

[5.005999999999999, 3.4280000000000004, 1.462, 0.24599999999999986]

np.round(mdl.distributions[0].parameters[1],6)

array([[0.121764, 0.097232, 0.016028, 0.010124],
       [0.097232, 0.140816, 0.011464, 0.009112],
       [0.016028, 0.011464, 0.029556, 0.005948],
       [0.010124, 0.009112, 0.005948, 0.010884]])

如何从石榴高斯混合模型中获取均值和协方差值

How to get Mean and Covariance value from pomegranate Gaussian Mixture model

python

mixture-model

gmm

pomegranate