在 Python 中拟合对数正态分布的混合答案

【问题标题】：Fitting a mixture of lognormal distributions in Python在 Python 中拟合对数正态分布的混合
【发布时间】：2016-04-17 21:30:12
【问题描述】：

scipy 提供了一种拟合单个对数正态分布的好方法。我看到scikit-learn 具有拟合正常（高斯）混合物的能力。有没有一种简单的方法来拟合两个对数正态分布的混合？如果没有，是否有一种更好的方法可以直接使用 scipy.optimize 或通过将混合分布定义为 scipy.stats.rv_continuous 的子类来“手动”优化参数？

【问题讨论】：

您可以log-转换您的数据并为其添加GMM，类似于X = np.log(X)，但是...我相信没有easy 使用scikit-learn 精确拟合对数正态分布的方法，但是，您始终可以查看GMM code 并自己扩展它。你甚至可以将实现发回scikit-learn！
scipy 提供了适应对数正态分布位置的灵活性，这将在log 转换中丢失 - 预先做出这个选择感觉有问题，但也许它不在实践。如果事实证明 location 参数确实是必要的，那么扩展 GMM 可能是最好的方法。感谢您的建议！
是的，这就是数据对数转换的主要问题。您没有拟合对数正态混合，而是将高斯混合拟合到对数转换数据。它不一样，但取决于您的应用程序，它可能仍然有效。祝你好运扩展GMM，如果这是要走的路！

标签： python numpy scipy scikit-learn

【解决方案1】：

我偶然发现了这个，它对我很有用：

https://pomegranate.readthedocs.io/en/latest/GeneralMixtureModel.html

示例用法：

from pomegranate import *

x = np.array(df['foo']).reshape(-1, 1)

model = GeneralMixtureModel.from_samples(LogNormalDistribution, n_components=2, X=x)
model.fit(x)
pomegranate_clusters = model.predict(x)

【讨论】：