mixture-model

    1热度

    1回答

    我现在正在学习斯坦,想要实现一个简单的混合模型。 在参考手册(斯坦参考-2.14.0)已经有一个解决方案: data { int<lower=1> K; // number of mixture components int<lower=1> N; // number of data points real y[N]; // observations } para

    1热度

    1回答

    我期望scikit-learn的DP-GMM允许在给定新数据的情况下在线更新集群分配,但sklearn的DP-GMM实现只有一个合适的方法。 我对变分推理的理解尚不清楚,我认为在线更新集群分配的能力是sklearn实现的特点,而不是无限GMM的变分推理。 如果有人能够澄清这一点,并指出一个能够在线更新集群分配的实现,我将非常感激! http://scikit-learn.org/stable/mo

    0热度

    1回答

    我现在正在使用包含两个组件的混合模型:正态和对数正态以适应矢量。 我尝试使用JAGS,这里是代码: model { for(i in 1:N) { y[i] <- latent[i,index[i]+1] index[i] ~dbern(pi) latent[i,1]~ dlnorm(mu1,tau1) latent[i,2]~ dnorm(mu2

    1热度

    1回答

    我有一个包含数值和分类变量的数据集。数字变量的分布对于每个类别都不相同。我想为每个分类变量绘制“密度图”,以便它们在视觉上低于整个密度图。 这与混合模型的组成部分类似,没有计算混合模型(因为我已经知道分解数据的分类变量)。 如果我根据分类变量对ggplot进行分组,则四种密度中的每一种都是实际密度并且合并为一种密度。 library(ggplot2) ggplot(iris, aes(x = S

    0热度

    2回答

    data是数据的一维数组。 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, -

    0热度

    1回答

    你好堆栈溢出fam我一直在试图找出如何在MATLAB上使用这个pesty fitgmdist来拟合高斯混合模型我已经取得了进展,但我仍然得到试图初始参数的设定时出现错误,我得到以下错误: 初始协方差必须是3D阵列以K页时“SharedCovariance”是 假的每一页必须是一个方阵。如果 'CovarianceType'为'full',或者如果'CovarianceType'为'对角线',则其长

    -1热度

    2回答

    我理解统计中变量的定义。假设我想生成的混合物的二元数据如下: 0.3正常(1,3)+ 0.7正常(2,5) 使用以下代码: N <- 100000 #Sample N random uniforms U U <- runif(N) #Variable to store the samples from the mixture distribution ra

    0热度

    1回答

    我一直在使用python实验sklearn的BayesianGaussianMixture(和GaussianMixture,它显示相同的问题)。 我使用从分布中抽取的许多项目来拟合模型,然后用一个伸出的数据集(一些来自分布,一些在其外部)对模型进行测试。 是这样的: X_train = ... # 70x321 matrix X_in = ... # 20x321 matrix of held

    0热度

    1回答

    我目前正试图通过高斯混合模型来推测缺失的数据。 我的参考文献是从这里: http://mlg.eng.cam.ac.uk/zoubin/papers/nips93.pdf 我目前专注于具有2高斯分量的双变量数据集。 这是定义的权重为每个高斯分量代码: myData = faithful[,1:2]; # the data matrix for (i in (1:N)) { prob1

    1热度

    1回答

    我试图想象从高斯混合模型拟合高斯分布,似乎无法弄清楚。 Here和here我已经看到了一个可视化的一维模型的拟合分布的例子,我不知道如何将它与3层的功能应用于模型。是否可以将每个训练特征的拟合分布可视化? 我有一个名为我的模型estimator与X_train训练有素的它: estimator = GaussianMixture(covariance_type='full', init_param