【sklearn篇】mixture.GaussianMixture各参数详解以及代码实现

GaussianMixture

参量

1. n_components
   混合高斯模型个数，默认为 1

2. covariance_type
   协方差类型，{‘full’,‘tied’, ‘diag’, ‘spherical’}
   full 指每个分量有各自不同的标准协方差矩阵，完全协方差矩阵（元素都不为零）
   tied 指所有分量有相同的标准协方差矩阵（HMM 会用到）
   diag 指每个分量有各自不同对角协方差矩阵（非对角为零，对角不为零）
   spherical 指每个分量有各自不同的简单协方差矩阵，球面协方差矩阵（非对角为零，对角完全相同，球面特性），默认‘full’ 完全协方差矩阵

3. tol
   EM 迭代停止阈值，默认为 1e-3 即 0.001.

4. reg_covar
   协方差对角非负正则化，保证协方差矩阵均为正，默认为 0

5. max_iter
   最大迭代次数，默认 100

6. n_init
   初始化次数，用于产生最佳初始参数，默认为 1

7. init_params
   初始化参数类型 {‘kmeans’, ‘random’}
   初始化参数实现方式，默认用 kmeans 实现，也可以选择随机产生

8. weights_init
   各组成模型的先验权重，可以自己设，默认按照 7 产生

9. means_init
   初始化均值，同 8

10. precisions_init
    初始化精确度（模型个数，特征个数），默认按照 7 实现

11. random_state
    随机数发生器

12. warm_start
    若为 True，则 fit（）调用会以上一次 fit（）的结果作为初始化参数，适合相同问题多次 fit 的情况，能加速收敛，默认为 False。

13. verbose
    使能迭代信息显示，默认为 0，可以为 1 或者大于 1（显示的信息不同）

14. verbose_interval
    与 13 挂钩，若使能迭代信息显示，设置多少次迭代后显示信息，默认 10 次。

属性

1. weights_ : array, shape (n_components,)
   This attribute stores the mixing weights for each mixture component.
   每个混合模型的权重。

2. means_ : array, shape (n_components, n_features)
   Mean parameters for each mixture component.
   每个混合模型的均值。

3. covars_ : array
   Covariance parameters for each mixture component. The shape depends on covariance_type:
   每个混合模型的协方差。矩阵大小取决于covariance_type定义的协方差矩阵类型

   (n_components, n_features)             if 'spherical',
   (n_features, n_features)               if 'tied',
   (n_components, n_features)             if 'diag',
   (n_components, n_features, n_features) if 'full'
   

4. converged_ : bool
   True when convergence was reached in fit(), False otherwise.
   当在fit()中达到收敛时为真，否则为假。

函数

1. aic(X) Akaike information criterion for the current model on the input X.
   输入 X 上当前模型的 aic（X）Akaike 信息标准。
2. bic(X) Bayesian information criterion for the current model on the input X.　　　　　　　　
   输入 X 上当前模型的 bic（X）贝叶斯信息准则。
3. fit(X[, y]) Estimate model parameters with the EM algorithm.　　　　　　　　　　　　　　
   fit（X [，y]）使用 EM 算法估算模型参数。
4. get_params([deep]) Get parameters for this estimator.　　　　　　　　　　　　　　　　
   get_params（[deep]）获取此估算器的参数。
5. predict(X) Predict the labels for the data samples in X using trained model.　　　　　　　　
   预测（X）使用训练模型预测 X 中数据样本的标签。
6. predict_proba(X) Predict posterior probability of each component given the data.　　　　　　
   predict_proba（X）预测给定数据的每个组件的后验概率。
7. sample([n_samples]) Generate random samples from the fitted Gaussian distribution.　　　　
   sample（[n_samples]）从拟合的高斯分布生成随机样本。
8. score(X[, y]) Compute the per-sample average log-likelihood of the given data X.　　　　
   得分（X [，y]）计算给定数据 X 的每样本平均对数似然。
9. score_samples(X) Compute the weighted log probabilities for each sample.　　　　　　
   score_samples（X）计算每个样本的加权对数概率。
10. set_params( ** params) Set the parameters of this estimator.　　　　　　　　　　　　　　
    set_params（**params）设置此估算器的参数。