BayesianGaussianMixture#

class sklearn.mixture.BayesianGaussianMixture(*, n_components=1, covariance_type='full', tol=0.001, reg_covar=1e-06, max_iter=100, n_init=1, init_params='kmeans', weight_concentration_prior_type='dirichlet_process', weight_concentration_prior=None, mean_precision_prior=None, mean_prior=None, degrees_of_freedom_prior=None, covariance_prior=None, random_state=None, warm_start=False, verbose=0, verbose_interval=10)[source]#

高斯混合模型的变分贝叶斯估计。

该类允许推断高斯混合分布参数的近似后验分布。有效分量数量可以从数据中推断。

该类为权重分布实现了两种先验：一种是使用狄利克雷分布的有限混合模型，另一种是使用狄利克雷过程的无限混合模型。实际上，狄利克雷过程推断算法是近似的，并使用具有固定最大分量数的截断分布（称为Stick-breaking表示）。实际使用的分量数几乎总是取决于数据。

版本 0.18 新增。

更多信息请参阅用户指南。

参数:
n_components整型, 默认为 1

混合分量的数量。根据数据和weight_concentration_prior的值，模型可以通过将某些分量weights_设置为非常接近零的值来决定不使用所有分量。因此，有效分量数会小于n_components。

covariance_type{‘full’, ‘tied’, ‘diag’, ‘spherical’}, 默认为 ‘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：

  • ‘full’ (每个分量都有自己的通用协方差矩阵),

  • ‘tied’ (所有分量共享相同的通用协方差矩阵),

  • ‘diag’ (每个分量都有自己的对角协方差矩阵),

  • ‘spherical’ (每个分量都有自己的单一方差)。

tol浮点型, 默认为 1e-3

收敛阈值。当似然（模型相对于训练数据）的下限平均增益低于此阈值时，EM迭代将停止。

reg_covar浮点型, 默认为 1e-6

添加到协方差对角线的非负正则化。确保协方差矩阵都是正的。

max_iter整型, 默认为 100

要执行的EM迭代次数。

n_init整型, 默认为 1

要执行的初始化次数。保留似然下限值最高的结果。

init_params{‘kmeans’, ‘k-means++’, ‘random’, ‘random_from_data’}, 默认为 ‘kmeans’

用于初始化权重、均值和协方差的方法。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++方法进行初始化。

  • ‘random’：随机初始化责任。

  • ‘random_from_data’：初始均值是随机选择的数据点。

版本 v1.1 中的变化: init_params现在接受‘random_from_data’和‘k-means++’作为初始化方法。

weight_concentration_prior_type{‘dirichlet_process’, ‘dirichlet_distribution’}, 默认为 ‘dirichlet_process’

描述权重集中先验类型的字符串。

weight_concentration_prior浮点型或 None, 默认为 None

权重分布（狄利克雷）上每个分量的狄利克雷集中度。这在文献中通常称为伽马。较高的集中度会将更多的质量放在中心，从而导致更多的分量活跃；而较低的集中度参数会将更多的质量放在混合权重单纯形的边缘。参数值必须大于0。如果为None，则设置为1. / n_components。

mean_precision_prior浮点型或 None, 默认为 None

均值分布（高斯）上的精度先验。控制均值可以放置的范围。较大的值会将聚类均值集中在mean_prior附近。参数值必须大于0。如果为None，则设置为1。

mean_prior类数组，形状 (n_features,), 默认为 None

均值分布（高斯）上的先验。如果为None，则设置为X的均值。

degrees_of_freedom_prior浮点型或 None, 默认为 None

协方差分布（Wishart）上的自由度数的先验。如果为None，则设置为n_features。

covariance_prior浮点型或类数组, 默认为 None

协方差分布（Wishart）上的先验。如果为None，则使用X的协方差初始化经验协方差先验。其形状取决于covariance_type。

(n_features, n_features) if 'full',
(n_features, n_features) if 'tied',
(n_features)             if 'diag',
float                    if 'spherical'
random_state整型, RandomState实例或 None, 默认为 None

控制用于初始化参数的方法（参阅init_params）的随机种子。此外，它还控制从拟合分布中生成随机样本（参阅sample方法）。传入一个整数可以在多次函数调用中获得可重现的输出。参阅术语表。

warm_start布尔型, 默认为 False

如果‘warm_start’为True，则上次拟合的解决方案将用作下一次fit()调用的初始化。当在类似问题上多次调用fit时，这可以加快收敛速度。参阅术语表。

verbose整型, 默认为 0

启用详细输出。如果为1，则打印当前初始化和每个迭代步骤。如果大于1，则还会打印对数概率和每个步骤所需的时间。

verbose_interval整型, 默认为 10

下次打印前完成的迭代次数。

属性:
weights_类数组，形状 (n_components,)

每个混合分量的权重。

means_类数组，形状 (n_components, n_features)

每个混合分量的均值。

covariances_类数组

每个混合分量的协方差。其形状取决于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_类数组

混合中每个分量的精度矩阵。精度矩阵是协方差矩阵的逆。协方差矩阵是对称正定的，因此高斯混合可以通过精度矩阵等效地参数化。存储精度矩阵而非协方差矩阵，可以在测试时更有效地计算新样本的对数似然。其形状取决于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_类数组

每个混合分量精度矩阵的乔利斯基分解。精度矩阵是协方差矩阵的逆。协方差矩阵是对称正定的，因此高斯混合可以通过精度矩阵等效地参数化。存储精度矩阵而非协方差矩阵，可以在测试时更有效地计算新样本的对数似然。其形状取决于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_布尔型

当最佳拟合推断达到收敛时为True，否则为False。

n_iter_整型

最佳拟合推断达到收敛所使用的步数。

lower_bound_浮点型

最佳拟合推断的模型证据（训练数据）的下限值。

lower_bounds_类数组，形状 (n_iter_,)

最佳拟合推断的每次迭代中模型证据的下限值列表。

weight_concentration_prior_元组或浮点型

权重分布（狄利克雷）上每个分量的狄利克雷集中度。类型取决于weight_concentration_prior_type。

(float, float) if 'dirichlet_process' (Beta parameters),
float          if 'dirichlet_distribution' (Dirichlet parameters).

较高的集中度会将更多的质量放在中心，从而导致更多的分量活跃；而较低的集中度参数会将更多的质量放在单纯形的边缘。

weight_concentration_类数组，形状 (n_components,)

权重分布（狄利克雷）上每个分量的狄利克雷集中度。

mean_precision_prior_浮点型

均值分布（高斯）上的精度先验。控制均值可以放置的范围。较大的值会将聚类均值集中在mean_prior附近。如果mean_precision_prior设置为None，则mean_precision_prior_设置为1。

mean_precision_类数组，形状 (n_components,)

均值分布（高斯）上每个分量的精度。

mean_prior_类数组，形状 (n_features,)

均值分布（高斯）上的先验。

degrees_of_freedom_prior_浮点型

协方差分布（Wishart）上自由度数的先验。

degrees_of_freedom_类数组，形状 (n_components,)

模型中每个分量的自由度数。

covariance_prior_浮点型或类数组

协方差分布（Wishart）上的先验。其形状取决于covariance_type。

(n_features, n_features) if 'full',
(n_features, n_features) if 'tied',
(n_features)             if 'diag',
float                    if 'spherical'
n_features_in_整型

拟合期间看到的特征数量。

版本 0.24 新增。

feature_names_in_ndarray，形状 (n_features_in_,)

拟合期间看到的特征名称。仅当X的所有特征名称都是字符串时才定义。

版本 1.0 新增。

另请参阅

GaussianMixture

使用EM算法拟合有限高斯混合。

参考文献

示例

>>> import numpy as np
>>> from sklearn.mixture import BayesianGaussianMixture
>>> X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [12, 4], [10, 7]])
>>> bgm = BayesianGaussianMixture(n_components=2, random_state=42).fit(X)
>>> bgm.means_
array([[2.49 , 2.29],
       [8.45, 4.52 ]])
>>> bgm.predict([[0, 0], [9, 3]])
array([0, 1])
fit(X, y=None)[source]#

使用EM算法估计模型参数。

该方法对模型拟合n_init次，并设置模型具有最大似然或下限的参数。在每次尝试中，该方法在E步和M步之间迭代max_iter次，直到似然或下限的变化小于tol，否则会引发ConvergenceWarning。如果warm_start为True，则n_init将被忽略，并且在首次调用时执行一次初始化。在随后的调用中，训练将从上次停止的地方继续。

参数:
X类数组，形状 (n_samples, n_features)

n_features维数据点的列表。每行对应一个数据点。

y忽略

未使用，按照约定为API一致性而存在。

返回:
self对象

拟合的混合模型。

fit_predict(X, y=None)[source]#

使用X估计模型参数并预测X的标签。

该方法对模型拟合n_init次，并设置模型具有最大似然或下限的参数。在每次尝试中，该方法在E步和M步之间迭代max_iter次，直到似然或下限的变化小于tol，否则会引发ConvergenceWarning。拟合后，它会预测输入数据点的最可能标签。

版本 0.20 新增。

参数:
X类数组，形状 (n_samples, n_features)

n_features维数据点的列表。每行对应一个数据点。

y忽略

未使用，按照约定为API一致性而存在。

返回:
labels数组，形状 (n_samples,)

分量标签。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔型, 默认为 True

如果为True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应值的映射。

predict(X)[source]#

使用训练好的模型预测X中数据样本的标签。

参数:
X类数组，形状 (n_samples, n_features)

n_features维数据点的列表。每行对应一个数据点。

返回:
labels数组，形状 (n_samples,)

分量标签。

predict_proba(X)[source]#

评估每个样本的分量密度。

参数:
X类数组，形状 (n_samples, n_features)

n_features维数据点的列表。每行对应一个数据点。

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)[source]#

从拟合的高斯分布中生成随机样本。

参数:
n_samples整型, 默认为 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,)

分量标签。

score(X, y=None)[source]#

计算给定数据X的每个样本的平均对数似然。

参数:
X类数组，形状 (n_samples, n_dimensions)

n_features维数据点的列表。每行对应一个数据点。

y忽略

未使用，按照约定为API一致性而存在。

返回:
log_likelihood浮点型

高斯混合模型下X的对数似然。

score_samples(X)[source]#

计算每个样本的对数似然。

参数:
X类数组，形状 (n_samples, n_features)

n_features维数据点的列表。每行对应一个数据点。

返回:
log_prob数组，形状 (n_samples,)

当前模型下X中每个样本的对数似然。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数:
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。