Sembra che ci siano diverse opzioni disponibili per lavorare con i modelli di miscele gaussiane (GMM) in Python. A prima vista ci sono almeno:
- PyMix - http://www.pymix.org/pymix/index.php Strumenti per la modellazione delle miscele
- PyEM - http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/em/ che fa parte della toolbox di Scipy e sembra focalizzarsi sull'aggiornamento di GMM : ora noto come sklearn.mixture .
- PyPR - http://pypr.sourceforge.net/ riconoscimento dei modelli e strumenti correlati, inclusi gli MGM
... e forse altri. Sembrano tutti fornire le esigenze di base per gli MGM, compresa la creazione e il campionamento, la stima dei parametri, il clustering, ecc.
Qual è la differenza tra loro e come si dovrebbe fare per determinare quale è più adatto per un bisogno particolare?
Puoi provare a profilare una versione davvero semplice della compressione delle immagini usando GMM. Dato un'immagine, usa un GMM per assegnare ai pixel diverse probabilità e quindi ricreare l'immagine usando le probabilità come indici per il particolare gaussiano da cui molto probabilmente proveniva un determinato pixel.
—
Phillip Cloud,
@cpcloud - Intendi dire: impostare un esperimento semplificato da eseguire in ciascuno di questi pacchetti, come punto di confronto? Bene, ok, ma non è un piccolo sforzo. Spero in qualche input da persone che hanno usato questi pacchetti.
—
Aman,
Scikit-learn è una popolare libreria di apprendimento automatico che offre anche supporto GMM. Non sono sicuro che si adatti alle tue esigenze, ma ha il vantaggio di avere altri algoritmi e framework di apprendimento (ad es. Validazione incrociata, composizione del modello).
—
Bitwise,
PyPR e PyEM sono disponibili solo per Python 2 e non sembrano più essere in fase di sviluppo attivo. PyMix sembra la scelta migliore.
—
Josh Milthorpe,