sklearn - 来自 GaussianMixture 的样本，没有拟合

Question

我想使用 GaussianMixture 来生成随机数据。 参数不应该从数据中学习，而是提供。

GaussianMixture 允许提供权重、均值、精度的初始值，但仍然无法调用“样本”。

例子：

import numpy as np
from sklearn.mixture import GaussianMixture
d = 10
k = 2
_weights = np.random.gamma(shape=1, scale=1, size=k)
data_gmm = GaussianMixture(n_components=k, 
                           weights_init=_weights / _weights.sum(),
                           means_init=np.random.random((k, d)) * 10,
                           precisions_init=[np.diag(np.random.random(d)) for _ in range(k)])
data_gmm.sample(100)

这会抛出：

NotFittedError: This GaussianMixture instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.

我试过了：

• 调用_initialize_parameters() - 这还需要提供数据矩阵，并且不会初始化采样所需的covariances 变量。
• 调用set_params() - 这不允许为采样使用的属性提供值。

任何帮助将不胜感激。

Answer 1

您可以手动设置所有属性，因此您不必适合GaussianMixture。

您需要设置weights_、means_、covariances_如下：

import numpy as np
from sklearn.mixture import GaussianMixture
d = 10
k = 2
_weights = np.random.gamma(shape=1, scale=1, size=k)
data_gmm = GaussianMixture(n_components=k)
data_gmm.weights_ = _weights / _weights.sum()
data_gmm.means_ = np.random.random((k, d)) * 10
data_gmm.covariances_ = [np.diag(np.random.random(d)) for _ in range(k)]
data_gmm.sample(100)

注意：您可能需要根据您的用例修改这些参数值。