GaussianMixture sklearn стартовые приоры

У меня есть смешанная модель:

gm = mixture.GaussianMixture(
                n_components=3,
                covariance_type="tied",
                weights_init=[w1,w2,w3],
                means_init=[m1,m2,m3],
                random_state=0).fit(datas)

Но результат кластеризации не идеален, поэтому я рассчитал по моим исходным данным 3 априорных значения, чтобы улучшить кластеризацию. Я хотел бы использовать эти априорные значения в качестве начальных отправных точек в EM-алгоритме модели гауссовой смеси.

Исходные средства: являются ли они отправной точкой? Могу ли я заменить их на свои новые приоры или это что-то другое?

Я видел :

sklearn.mixture.BayesianGaussianMixture

Но это кажется действительно другим, например, я не могу инициализировать свои веса, только априорные веса, и я не знаю, одно и то же (я не эксперт в статистике...), и есть слишком много вариантов что я не понимаю...

Как я могу использовать свои новые априорные значения в качестве отправной точки алгоритма EM в моей гауссовой смеси?

Спасибо за любую помощь.


python scikit-learn gaussian
person Elysire    schedule 30.11.2016    source источник

Ответы (1)


arrow_upward
2
arrow_downward

Статистик помог мне ответить на мой вопрос, и именно initial_means являются отправными точками, используемыми для алгоритма EM. Мне просто нужно указать свои новые приоры в функции initial_means в GaussianMixture, не нужно использовать BayesianGaussianMixture.

person Elysire    schedule 06.12.2016