我正在尝试使用sklearn.mixture.BayesianGaussianMixture来适应一组轨迹。每个轨迹由一组数据点组成,例如,sklearn BayesianGaussianMixture基于多个数据点的聚类分配
t_i = {x_i1, y_i1, x_i2, y_i2, ... , x_iN, y_iN},
其中t_i
是第i个轨迹和(x_ik, y_ik)
是轨迹上的第k个点。例如,x_ik可以表示步骤k中机器人的状态,y_ik可以表示机器人采取的动作。每个GP组件都将是x_ik - > y_ik的映射。这对于使用sklearn学习GP是非常标准的。
但是,如果您想先学习使用Dirichlet Process的高斯混合模型,则必须在添加新GP组件时决定。
BayesianGaussianMixture类仅为您提供基于单个数据点进行集群分配的界面。换句话说,新数据点是否属于新簇。
我感兴趣的是:给出一组轨迹,其中每个轨迹可能包含大量数据点。有没有一种方法可以根据轨迹进行聚类分配?即给定新的轨迹,决定它是否属于新的群集。
@MinChen我认为这并不重要,至少从理论的角度来看。实际上,这会使分配标签到每个数据点的过程复杂化。我无法在这里提供任何建议,它需要深入探究问题本身。 – CaptainTrunky
非常感谢。看来这不是一个简单的方法。 –