scikitlearn - 如何获取高斯混合模型的累积分布函数？

Question

现在我这样做，想知道是否有更好的方法。

import numpy as np
from scipy import integrate
from sklearn.mixture import GaussianMixture as GMM

model = GMM(n, covariance_type = "full").fit(X)

def cdf(x):
 return integrate.quad(lambda t: np.exp(model.score(t)), -inf, x)[0]

- h3h325

---

我想问一下，你的数据是一维的对吗？ - piman314

是的，你说得对。 - h3h325

在 model.score(t) 中的 t 是什么？ - Pulkit Jha

Answer 1

混合高斯分布的累积分布函数(CDF)，其中F_1，F_2，F_3...的CDF和ω_1，ω_2，ω_3...的权重相等，即F_mixed = ω_1 * F_1 + ω_2 * F_2 + ω_3 * F_3 + ... 因此，最初的回答是：

from scipy.stats import norm

weights = [0.163, 0.131, 0.486, 0.112, 0.107]
means = [45.279, 55.969, 49.315, 53.846, 61.953]
covars = [0.047, 1.189, 3.632, 0.040, 0.198]


def mix_norm_cdf(x, weights, means, covars):
    mcdf = 0.0
    for i in range(len(weights)):
        mcdf += weights[i] * norm.cdf(x, loc=means[i], scale=covars[i])
    return mcdf


print(mix_norm_cdf(50, weights, means, covars))

输出

0.442351546658755

- James

---

这是一个很好的答案，但因为一个小错误而不正确。 scale 参数需要是标准差而不是（协）方差！ 对平方根进行修改对我有用。 - Sealander