python 用高斯混合模型（GMM）拟合加权数据，协方差最小

Question

我想使用 python 将高斯混合模型拟合到一组加权数据点。

我尝试了 sklearn.mixture.GMM() ，它工作得很好，除了它对所有数据点的权重相等。有谁知道如何在此方法中为数据点分配权重？我多次尝试使用数据点来“增加其权重”，但这对于大型数据集似乎无效。

我也考虑过自己实现 EM 算法，但这似乎比上面的 GMM 方法慢得多，并且会极大地增加大型数据集的计算时间。

我刚刚发现了 EM 算法 cv2.EM() 的 opencv 方法。这再次工作正常，但与 sklearn.mixture.GMM 存在相同的问题，此外，似乎没有办法更改协方差允许的最小值。或者有没有办法将协方差最小值更改为 0.001？我希望可以使用探针参数来为数据分配权重，但这似乎只是一个输出参数，对拟合过程没有影响，不是吗？使用 probs0 并使用 trainM 以 M 步骤启动算法也没有帮助。对于 probs0，我使用了（数据点数量）x（GMM 分量数量）矩阵，其列相同，而数据点的加权参数写入与数据点对应的行。这也没有解决问题。它只是产生了一个混合模型，其中所有的值都为 0。

有谁知道如何操作上述方法，或者有没有人知道另一种方法，以便 GMM 可以拟合加权数据？

Answer 1

如果您仍在寻找解决方案，pomegranate 现在支持基于加权数据训练 GMM。您需要做的就是在训练时传入一个权重向量，它会为您处理它。这是关于石榴 GMM 的简短教程！

父 github 在这里：

https://github.com/jmschrei/pomegranate

具体教程在这里：

https://github.com/jmschrei/pomegranate/blob/master/tutorials/B_Model_Tutorial_2_General_Mixture_Models.ipynb