Pacchetti Python per lavorare con modelli di miscele gaussiane (GMM)


12

Sembra che ci siano diverse opzioni disponibili per lavorare con i modelli di miscele gaussiane (GMM) in Python. A prima vista ci sono almeno:

... 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?

Rif: http://www.scipy.org/Topical_Software


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,

2
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,

Risposte:


3

Non so come determinare in generale quale sia la migliore, ma se conosci abbastanza bene le impostazioni della tua applicazione, puoi simulare i dati e provare i pacchetti su queste simulazioni. Le metriche di successo potrebbero essere il tempo impiegato dalla stima e la qualità del recupero della tua verità di base simulata.

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.