將高斯混合模型擬合到單一特徵數據的正確方法是什麼？

data是數據的一維數組。將高斯混合模型擬合到單一特徵數據的正確方法是什麼？

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, -400.0, 6600.0, -400.0, -400.0, 6600.0, 6600.0, 6600.0, 7000.0, 6600.0, -7000.0, 0.0, 0.0, -7000.0, -7400.0, 6600.0, -400.0, 7000.0, -7000.0, -7000.0, 0.0, 0.0, -400.0, -7000.0, -7000.0, 7000.0, 7000.0, 0.0, -7000.0, 0.0, 0.0, 6600.0, 6600.0, 6600.0, -7400.0, -400.0, -2000.0, -7000.0, -400.0, -7400.0, 7000.0, 0.0, -7000.0, -7000.0, 0.0, -400.0, -7400.0, -7400.0, 0.0, 0.0, 0.0, -400.0, -400.0, -400.0, -400.0, 6600.0, 0.0, -400.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, -400.0, -400.0, 0.0, 0.0, -400.0, -400.0, 0.0, -400.0, 0.0, -400.0]

我想適合一些gaussians這個數據並繪製它們。

如果我運行

import numpy as np 
from sklearn import mixture 

x = np.array(data) 
clf = mixture.GaussianMixture(n_components=2, covariance_type='full') 
clf.fit(x)

我得到的錯誤

ValueError: Expected n_samples >= n_components but got n_components = 2, n_samples = 1

和

DeprecationWarning: Passing 1d arrays as data is deprecated in 0.17 and will raise ValueError in 0.19. Reshape your data either using X.reshape(-1, 1) if your data has a single feature or X.reshape(1, -1) if it contains a single sample.

好吧......我可以這樣生活。警告告訴我該怎麼做。但是，如果我跑

x = np.array(data).reshape(-1,1) 
clf = mixture.GaussianMixture(n_components=2, covariance_type='full') 
clf.fit(x)

我得到的錯誤

ValueError: Expected the input data X have 1 features, but got 32000 features

我在做什麼錯？什麼是正確的方式？

編輯：

我才意識到，我誤讀了錯誤信息。不是fit()正在降雨的錯誤，但score_samples()。

我試圖在事後繪製高斯。

x = np.linspace(-8000,8000,32000) 
y = clf.score_samples(x) 

plt.plot(x, y) 
plt.show()

因此x似乎是問題所在。然而，x.reshape(-1,1)幫助，nore x.reshape(1,-1)。

來源

2017-04-13 Michael Palm

你試圖重塑它的其他方式（1，-1）？ –

是的，我已經試過了。看到我的評論約翰Moutafis答案。 –

重塑爲（-1,1）時，我沒有得到任何錯誤，在scikit 0.18 –

的名單，我發現了自己的錯誤。正如我在我的編輯中所述，不是fit()正在引發錯誤，而是score_samples()。

這兩個函數都會刪除多維數組。

工作代碼：

data = np.array(data).reshape(-1,1) 
clf = mixture.GaussianMixture(n_components=1, covariance_type='full') 
clf.fit(data) 

x = np.array(np.linspace(-8000,8000,32000)).reshape(-1,1) 
y = clf.score_samples(x) 

plt.plot(x, y) 
plt.show()

來源

2017-04-13 08:33:06

哦，你發現它:)正如我編輯我的答案！ –

如果你只有一個功能的許多樣品，試圖

your_samples_list = map(lambda x:[x], your_samples_list)

這將其轉換成列表

[a,b,c] -> [[a],[b],[c]]

來源

2017-04-13 08:30:17 valleymanbs

將高斯混合模型擬合到單一特徵數據的正確方法是什麼？

回答

相關問題