GaussianMixture#

class sklearn.mixture.GaussianMixture(n_components=1, *, covariance_type='full', tol=0.001, reg_covar=1e-06, max_iter=100, n_init=1, init_params='kmeans', weights_init=None, means_init=None, precisions_init=None, random_state=None, warm_start=False, verbose=0, verbose_interval=10)[源代码]#

高斯混合。

高斯混合模型概率分布的表示。此类允许估计高斯混合分布的参数。

阅读更多的 User Guide .

Added in version 0.18.

参数:

n_componentsint，默认=1

混合物成分的数量。

covariance_type默认值为“full”、“tied”、“diag'、”spherical'}，默认值为“full”

描述要使用的协方差参数类型的字符串。必须是以下之一：

“完整”：每个分量都有自己的一般协方差矩阵。
“绑定”：所有组件共享相同的一般协方差矩阵。
“dig”：每个分量都有自己的对角协方差矩阵。
“球形”：每个分量都有自己的单一方差。

tol浮点数，默认值= 1 e-3

收敛阈值。当下限平均收益低于此阈值时，EM迭代将停止。

reg_covarfloat，默认= 1 e-6

将非负正规化添加到协方差的对角线上。允许确保协方差矩阵均为正值。

max_iterint，默认=100

要执行的EM迭代次数。

n_initint，默认=1

要执行的初始化数量。保持最好的结果。

init_params' k-means '，' k-means++'，' random_from_data '}，默认=' kmeans '

用于初始化权重、平均值和精度的方法。字符串必须是以下之一：

“kmeans”：使用kmeans初始化责任。
“k-means++”：使用k-means++方法初始化。
“随机”：责任随机初始化。
“random_from_data”：初始平均值是随机选择的数据点。

在 v1.1 版本发生变更: init_params 现在接受“random_from_data”和“k-means++”作为初始化方法。

weights_init形状类似数组（n_components，），默认=无

用户提供的初始权重。如果为无，则使用 init_params 法

means_init形状类似阵列（n_components，n_features），默认=无

用户提供的初始方式，如果为无，则使用 init_params 法

precisions_init类数组，默认=无

用户提供的初始精度（协方差矩阵的逆）。如果为无，则使用“init_params”方法初始化精度。形状取决于“conservation_style”：：

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

random_stateint，RandomState实例或无，默认=无

控制分配给选择来初始化参数的方法的随机种子（请参阅 init_params ).此外，它还控制从匹配分布生成随机样本（请参阅方法 sample ).传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

warm_start布尔，默认=假

如果“warm_start”为True，则最后一次fit的解将用作下一次fit（）调用的初始化。当对类似问题多次调用fit时，这可以加快收敛速度。在这种情况下，“n_initt”将被忽略，并且在第一次调用时仅发生一次初始化。看到 the Glossary .

verboseint，默认=0

启用详细输出。如果为1，那么它会打印当前的初始化和每个迭代步骤。如果大于1，则它还会打印日志概率和每个步骤所需的时间。

verbose_intervalint，默认值=10

下一次打印之前完成的迭代次数。

属性:

weights_形状类似阵列（n_components，）

每个混合物成分的重量。

means_形状类似阵列（n_组件，n_特征）

每个混合物成分的平均值。

covariances_阵列状

每个混合成分的协方差。形状取决于 covariance_type

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

precisions_阵列状

混合物中每个成分的精确矩阵。精度矩阵是协方差矩阵的逆矩阵。协方差矩阵是对称的，因此高斯混合可以通过精度矩阵等效参数化。存储精度矩阵而不是协方差矩阵可以更有效地计算测试时新样本的log似然性。形状取决于 covariance_type

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

precisions_cholesky_阵列状

每个混合分量的精度矩阵的Skicky分解。精度矩阵是协方差矩阵的逆矩阵。协方差矩阵是对称的，因此高斯混合可以通过精度矩阵等效参数化。存储精度矩阵而不是协方差矩阵可以更有效地计算测试时新样本的log似然性。形状取决于 covariance_type

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

converged_bool

当达到EM的最佳匹配收敛时，为真，否则为假。

n_iter_int

EM的最佳匹配达到收敛所使用的步骤数。

lower_bound_浮子

EM最佳匹配的log似然（训练数据相对于模型的）的下限值。

n_features_in_int

期间看到的功能数量 fit .

Added in version 0.24.

feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（

Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

BayesianGaussianMixture: 高斯混合模型符合变分推断。

示例

>>> import numpy as np
>>> from sklearn.mixture import GaussianMixture
>>> X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
>>> gm = GaussianMixture(n_components=2, random_state=0).fit(X)
>>> gm.means_
array([[10.,  2.],
       [ 1.,  2.]])
>>> gm.predict([[0, 0], [12, 3]])
array([1, 0])

aic(X)[源代码]#

输入X上当前模型的赤池信息标准。

You can refer to this mathematical section for more details regarding the formulation of the AIC used.

参数:

X形状数组（n_samples，n_dimensions）: 输入样本。

返回:

aic浮子: 越低越好。

bic(X)[源代码]#

输入X上当前模型的Bayesian信息准则。

你可以参考这个 mathematical section 了解有关所用CIC配方的更多详细信息。

参数:

X形状数组（n_samples，n_dimensions）: 输入样本。

返回:

bic浮子: 越低越好。

fit(X, y=None)[源代码]#

使用EM算法估计模型参数。

该方法适合该模型 n_init 时间并设置模型具有最大可能性或下限的参数。在每次试验中，该方法在E步和M步之间迭代， max_iter 直到可能性或下限的变化小于 tol ，否则， ConvergenceWarning 被提出。如果 warm_start 是 True 那么 n_init 被忽略，并在第一次调用时执行单个初始化。连续通话后，训练从停止的地方开始。

参数:

X形状类似阵列（n_samples，n_features）: n_特征维数据点列表。每一行对应一个数据点。
y忽视: 未使用，按照惯例，为了API一致性而存在。

返回:

self对象: 合适的混合物。

fit_predict(X, y=None)[源代码]#

使用X估计模型参数并预测X的标签。

该方法对模型进行n_init次的匹配，并设置模型具有最大可能性或下限的参数。在每次试验中，该方法在E步和M步之间迭代， max_iter 直到可能性或下限的变化小于 tol ，否则， ConvergenceWarning 被提出。匹配后，它预测输入数据点的最可能标签。

Added in version 0.20.

参数:

X形状类似阵列（n_samples，n_features）: n_特征维数据点列表。每一行对应一个数据点。
y忽视: 未使用，按照惯例，为了API一致性而存在。

返回:

labels数组，形状（n_samples，）: 组件标签。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[源代码]#

使用训练模型预测X中数据样本的标签。

参数:

X形状类似阵列（n_samples，n_features）: n_特征维数据点列表。每一行对应一个数据点。

返回:

labels数组，形状（n_samples，）: 组件标签。

predict_proba(X)[源代码]#

评估每个样品的组分密度。

参数:

X形状类似阵列（n_samples，n_features）: n_特征维数据点列表。每一行对应一个数据点。

返回:

resp数组，形状（n_samples，n_components）: X中每个样本的每个高斯分量的密度。

sample(n_samples=1)[源代码]#

从匹配的高斯分布生成随机样本。

参数:

n_samplesint，默认=1: 要生成的样本数量。

返回:

X数组，形状（n_samples，n_features）: 随机生成的样本。
y数组，形状（nsamples，）: 组件标签。

score(X, y=None)[源代码]#

计算给定数据X的每样本平均对数似然。

参数:

X形状类似阵列（n_样本，n_维度）: n_特征维数据点列表。每一行对应一个数据点。
y忽视: 未使用，按照惯例，为了API一致性而存在。

返回:

log_likelihood浮子: 对数似然 X 在高斯混合模型下。

score_samples(X)[源代码]#

计算每个样本的log似然。

参数:

X形状类似阵列（n_samples，n_features）: n_特征维数据点列表。每一行对应一个数据点。

返回:

log_prob数组，形状（n_samples，）: 每个样本的日志可能性 X 在当前的模型下。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。