python - 使用组件参数的 GaussianMixture 初始化 - sklearn

Question

我想使用 sklearn.mixture.GaussianMixture 来存储高斯混合模型，以便以后可以使用它来生成样本或使用 score_samples 方法在样本点生成值。这是一个示例，其中分量具有以下权重、均值和协方差

import numpy as np
weights = np.array([0.6322941277066596, 0.3677058722933399])
mu = np.array([[0.9148052872961359, 1.9792961751316835], 
               [-1.0917396392992502, -0.9304220945910037]])
sigma = np.array([[[2.267889129267119, 0.6553245618368836], 
                        [0.6553245618368835, 0.6571014653342457]], 
                       [[0.9516607767206848, -0.7445831474157608], 
                        [-0.7445831474157608, 1.006599716443763]]])

然后我按如下方式初始化了混合物

from sklearn import mixture
gmix = mixture.GaussianMixture(n_components=2, covariance_type='full')
gmix.weights_ = weights   # mixture weights (n_components,) 
gmix.means_ = mu          # mixture means (n_components, 2) 
gmix.covariances_ = sigma  # mixture cov (n_components, 2, 2) 

最后我尝试根据导致错误的参数生成样本:

x = gmix.sample(1000)
NotFittedError: This GaussianMixture instance is not fitted yet. Call 'fit' with appropriate arguments before using this method.

据我了解，GaussianMixture 旨在使用高斯混合来拟合样本，但有没有办法为其提供最终值并从那里继续？

Answer 1

J.P.Petersen，你太棒了!看到您的回答后，我比较了使用 fit 方法引入的变化。似乎初始实例化并没有创建 gmix 的所有属性。具体来说，它缺少以下属性，

covariances_
means_
weights_
converged_
lower_bound_
n_iter_
precisions_
precisions_cholesky_

前三个是在分配给定输入时引入的。其中，对于我的应用程序，我唯一需要的属性是 precisions_cholesky_，它是逆协方差矩阵的 cholesky 分解。作为最低要求，我将其添加如下，

gmix.precisions_cholesky_ = np.linalg.cholesky(np.linalg.inv(sigma)).transpose((0, 2, 1))