mixture-model相关内容
data是一维数据数组。 data = [0.0, 7000.0, 0.0, 7000.0, -400.0, 0.0, 7000.0, -400.0, -7400.0, 7000.0, -400.0, -7000.0, -7000.0, 0.0, 0.0, 0.0, -7000.0, 7000.0, 7000.0, 7000.0, 0.0, -7000.0, 6600.0, -7400.0,
..
我有一个从我的原始数据中获得的 100 万条记录的样本.(供您参考,您可以使用这个可能产生近似相似分布的虚拟数据 b )我认为直方图是两个对数正态分布的混合,我尝试使用以下代码使用 EM 算法拟合总和分布: install.packages(“mixtools")库(混合工具)#line 下面的行返回混合正态分布的 mixEM[] 类型的 EM 输出c1 第一个图是对数似然图,第二个图
..
我试图通过阅读在线资源来了解 GMM.我已经使用 K-Means 实现了聚类,并看到了 GMM 与 K-means 的比较. 以下是我的理解,如果我的概念有误,请告诉我: GMM 就像 KNN,在这两种情况下都实现了聚类.但是在 GMM 中,每个集群都有自己独立的均值和协方差.此外,k-means 将数据点硬分配给集群,而在 GMM 中,我们得到一组独立的高斯分布,并且对于每个数据点,
..
正如标题中所说,我正在尝试使用 tensorflow 概率包创建多元正态分布的混合. 在我的原始项目中,我从神经网络的输出中输入分类、位置和方差的权重.但是,在创建图形时,出现以下错误: components[0] 批量形状必须与猫形状和其他组件批量形状兼容 我使用占位符重新创建了同样的问题: 将 tensorflow 导入为 tf将 tensorflow_probabili
..
我想用Python中的三个组件构建和一维绘制一元高斯混合图,其中我已经有其参数,包括mu,sigma,mix factor. 我追求的是在MATLAB中具有等效功能,即gmdistribution(mu,sigma,p) 我认为代码应如下所示: from numpy import * from matplotlib.pylab import * from sklearn impo
..
我有一些类似以下的时间序列数据: x
..
我有一个很大的数据集(我无法在内存中容纳全部数据).我想在此数据集上使用GMM. 我可以对小批量数据重复使用GMM.fit()(sklearn.mixture.GMM)吗? 解决方案 没有理由反复进行调整. 您可以在合理的时间内随机采样尽可能多的数据点.如果变异不是很高,则随机样本的分布将与整个数据集大致相同. randomly_sampled = np.random.choi
..
我正在尝试使用来自tensorflow_probability的分布来定义Keras中的自定义损失函数.更具体地说,我正在尝试构建混合物密度网络. 当batch_size = 1时,我的模型适用于玩具数据集(它学会使用x预测y的正确混合物分布).但是,当batch_size> 1时,它将“失败"(它预测所有y的分布相同,而忽略x).这使我认为我的问题与batch_shape和sample_sha
..
我正在使用高斯混合模型进行图像分类.我有大约34,000个要素,属于三个类别,所有要素都位于23维空间中.我使用不同的方法对训练数据和测试数据进行了特征缩放,并且观察到精度实际上在执行缩放后会降低.我执行功能缩放是因为许多功能之间的顺序不同.我很想知道为什么会这样,我认为要素缩放会提高准确性,特别是考虑到要素之间的巨大差异. 解决方案 我认为特征缩放会提高准确性,特别是考虑到特征之间的
..
我需要从混合分布中生成样本 40%的样本来自高斯(mean = 2,sd = 8) 20%的样本来自柯西(location = 25,scale = 2) 40%的样本来自高斯(平均值= 10,sd = 6) 为此,我编写了以下函数: dmix
..
我正在尝试基于像素强度值对2D MR图像的不同区域进行自动图像分割.第一步是在图像的直方图上实现高斯混合模型. 我需要将通过score_samples方法获得的结果高斯绘制到直方图上.我已经尝试按照答案(了解高斯混合模型)中的代码进行操作. 但是,所得的高斯根本无法匹配直方图.如何使高斯与直方图匹配? import numpy as np import cv2 import matpl
..
关于CrossValidated的问题如何使用PyMC将两个正态分布拟合到数据. Cam.Davidson.Pilon 的答案是使用伯努利分布将数据分配给其中一个两个法线: size = 10 p = Uniform( "p", 0 , 1) #this is the fraction that come from mean1 vs mean2 ber = Bernoulli( "ber",
..
我对python世界很陌生.另外,我不是统计学家.我需要用计算机科学编程语言来实现数学家开发的数学模型.经过一些研究,我选择了python.我对这样的程序设计(PHP/HTML/javascript)很满意. 我有一列从MySQL数据库中提取的值&需要计算以下内容- 1) Normal distribution of it. (I don't have the sigma & mu v
..
我正在尝试使用 evmix 软件包: library(repmis) library(evmix) data=source_data("https://www.dropbox.com/s/r7i0ctl1czy481d/test.csv?dl=0")[,1] test=fdwm(data,c(0.9150062,75.4699181,quantile(data,0.98),11.21,87.
..
在协调有关高斯混合的一些基本理论结果以及Matlab中命令gmdistribution, random的输出时,我遇到了问题. 考虑权重为1/2,1/2的两个独立的3变量正态分布的混合. 第一分布A的特征在于均值和方差-协方差矩阵等于 muA=[-1.4 3.2 -1.9]; %mean vector rhoA=-0.5; %correlation among component
..
我已在Voicebox MATLAB工具中应用了gaussmix函数来计算GMM.但是,当我为512个GMM组件运行代码时,该代码给了我错误. No_of_Clusters = 512; No_of_Iterations = 10; [m_ubm1,v_ubm1,w_ubm1]=gaussmix(feature,[],No_of_Iterations,No_of_Clusters); Er
..
我正在尝试实现一个简单的MDN,该MDN可以预测目标变量(而不是点值)上的分布参数,然后将概率分配给点值的离散区间.缩小问题范围,“无"的源代码为: import torch # params tte_bins = np.linspace( start=0, stop=399, num=400, dtype='float32' ).reshape(1,
..
我正在尝试通过阅读在线资源来了解GMM.我已经使用K-Means实现了聚类,并且正在观察GMM与K-means的比较. 这是我所了解的,如果我的概念有误,请告诉我: 在两种情况下都可以实现聚类的意义上, GMM类似于KNN.但是在GMM中,每个聚类都有自己独立的均值和协方差.此外,k均值对群集进行数据点的硬分配,而在GMM中,我们得到了独立的高斯分布的集合,对于每个数据点,我们都有属于该
..
我有一个从我原始数据中获得的1米记录样本。 (作为参考,你可以使用这个可能产生大致类似分布的伪数据。 (rnorm(2000000,mean = c(8,17),sd = 2))) c ) 我认为直方图是两个对数正态分布的混合,我尝试使用EM算法来拟合总和分布以下代码: install.packages(“mixtools”) lib(mixtools) #line (c1,
..