Comment puis-je tracer la fonction de densité de probabilité pour une cuisine aménagée modèle de mélange Gaussien sous scikit-learn?

Je suis aux prises avec une simple tâche. J'ai un vecteur de chars à laquelle je tiens pour s'adapter à un modèle de mélange Gaussien avec deux noyaux Gaussiens:

from sklearn.mixture import GMM

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

Je voudrais maintenant le tracé de la fonction de densité de probabilité pour le modèle de mélange que j'ai créé, mais je n'arrive pas à trouver toute la documentation sur la façon de le faire. Comment dois-je m'y prendre?

Edit:

Ici est le vecteur de données que je suis à côté. Et ci-dessous est un exemple plus détaillé de la façon dont je fais les choses:

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')

Comment puis-je tracer la fonction de densité de probabilité pour une cuisine aménagée modèle de mélange Gaussien sous scikit-learn?

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

Comment puis-je tracer la fonction de densité de probabilité pour une cuisine aménagée modèle de mélange Gaussien sous scikit-learn?

La courbe ajustée ne ressemblera en rien à quoi je m'attends. Il ne semblent même pas Gaussienne, ce qui est un peu étrange étant donné qu'il a été produit par un processus Gaussien. Suis-je fou?

utilisation plot(x, np.exp(fit), color='red') à la place. Parce que gmm.score_samples donne log probabilité.
Le lien pour le vecteur de données a expiré.

OriginalL'auteur blz | 2014-05-12

  1. 2

    Prendre un coup d'oeil à l'un de scikit-learn exemples sur Github

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

    L'idée est de générer meshgrid, obtenir leur score de la gmm, et de l'intrigue.

    Le montre l'exemple

    Comment puis-je tracer la fonction de densité de probabilité pour une cuisine aménagée modèle de mélange Gaussien sous scikit-learn?

    J'ai essayé d'appliquer ce même tutoriel pour mon unidimmensional de données, mais hélas pas de chance. Auriez-vous l'esprit en regardant mes modifications? Peut-être qu'ils vous révéler où j'ai foiré...

    OriginalL'auteur emeth

  2. 4

    Prendre un coup d'oeil à ce lien:

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

    Ils montrent comment tracer un 1D GMM de 3 façons différentes:

    1D GMM parcelles http://www.astroml.org/_images/fig_GMM_1D_1.png

    OriginalL'auteur Sibelius Seraphini

  3. 2

    J'ai suivi les quelques exemples mentionnés dans ce fil et d'autres et a réussi à se rapprocher de la solution, mais le final de la fonction de densité de probabilité de ne pas intégrer à un. Je suppose, que je vais poster la question dans un autre thread.

    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()

    Comment puis-je tracer la fonction de densité de probabilité pour une cuisine aménagée modèle de mélange Gaussien sous scikit-learn?

    Cela répond à ma question concernant les valeurs plus grandes que celle de la Fonction de Densité de Probabilité: math.stackexchange.com/questions/105455/...

    OriginalL'auteur rauldg

  4. 1

    Je pense, c'est une excellente ressource - https://jakevdp.github.io/blog/2013/12/01/kernel-density-estimation/

    OriginalL'auteur shahensha