我真的很努力地用 sklearn 做一个高斯混合,但我想我错过了一些东西,因为它绝对不起作用。
我的原始数据如下所示:
Genotype LogRatio Strength
AB 0.392805 10.625016
AA 1.922468 10.765716
AB 0.22074 10.405445
BB -0.059783 10.625016
我想做一个包含 3 个组件 = 3 个基因型 (AA|AB|BB) 的高斯混合物。我知道每个基因型的权重、每个基因型的对数比的平均值和每个基因型的强度的平均值。
wgts = [0.8,0.19,0.01] # weight of AA,AB,BB
means = [[-0.5,9],[0.5,9],[1.5,9]] # mean(LogRatio), mean(Strenght) for AA,AB,BB
我保留 LogRatio 和 Strength 列并创建一个 NumPy 数组。datas = [[ 0.392805 10.625016]
[ 1.922468 10.765716]
[ 0.22074 10.405445]
[ -0.059783 9.798655]]
然后我测试了来自 sklearn v0.18 的混合函数 GaussianMixture 并尝试了来自 sklearn v0.17 的函数 GaussianMixtureModel (我仍然没有看到差异,也不知道使用哪个)。gmm = mixture.GMM(n_components=3)
OR
gmm = mixture.GaussianMixture(n_components=3)
gmm.fit(datas)
colors = ['r' if i==0 else 'b' if i==1 else 'g' for i in gmm.predict(datas)]
ax = plt.gca()
ax.scatter(datas[:,0], datas[:,1], c=colors, alpha=0.8)
plt.show()
这是我得到的,这是一个很好的结果,但它每次都会改变,因为每次运行的初始参数计算方式不同我想在 gaussianMixture 或 GMM 函数中初始化我的参数,但我不明白我必须如何格式化我的数据:(
最佳答案
可以通过显式播种 random_state
来控制结果可重复性的随机性。伪随机数发生器。
代替 :
gmm = mixture.GaussianMixture(n_components=3)
做 :
gmm = mixture.GaussianMixture(n_components=3, random_state=3)
random_state
必须是 int
: 我随机设置为3
但您可以选择任何其他整数。使用相同的
random_state
多次运行时,您将获得相同的结果。
关于python - 使用 sklearn 在 Python 中初始化参数高斯混合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40489942/