Как заставить все термины в 1-D Гауссовой модели смеси иметь такое же среднее значение? ⇐ Python

[Anonymous]

У меня есть одномерный набор точек данных, из которых я хочу параметризировать плотность вероятности. У меня есть основания полагать, что модель гауссовской смеси была бы хорошим способом сделать это, поэтому я пытаюсь использовать класс Gaussianmixture Scikit-Learn, чтобы соответствовать параметрам и весам двух гауссовских распределений. < /P>
Пример игрушки: < /p>
import numpy as np
from sklearn.mixture import GaussianMixture

stdev_1 = 5
stdev_2 = 30
gaussian_data_1 = stdev_1 * np.random.randn(1000)
gaussian_data_2 = stdev_2 * np.random.randn(1000)

data = np.concatenate([gaussian_data_1, gaussian_data_2])
model = GaussianMixture(2)
data_2d = data.reshape((len(data), 1))
model.fit(data_2d)

print("Estimated means:", model.means_[:, 0])
print("Estimated stdevs:", model.covariances_[:, 0, 0] ** 0.5)
print("Estimated weights:", model.weights_)
< /code>
Полученная модель имеет разумные оценки двух гауссов. Я вкладывал средства нуля и стандартные отклонения 5 и 30, оба с весами 0,5 (оба имеют 1000 точек данных), и он находит средства [-0,0715483 и -0,06263915], стандартные отклонения [5.46757321 и 30,7777466],,, и веса [0,53427173 и 0,46572827].
Пока все хорошо. > Что основное распределение является унимодальным, и я действительно хочу только выяснить, какая комбинация (стандартных отклонений и весов) подходит лучше всего. Следовательно, я бы хотел force , эта модель использовать одни и те же средства, например, просто пропустив ее среднее, и имея ее только оптимизировать веса и стандартные отклонения (отклонения).
Это возможно с Scikit-learn? Класс Gaussianmixture, по -видимому, предназначен для классификации , в то время как я на самом деле использую его ради параметриза 'M не знает.>

Подробнее здесь: https://stackoverflow.com/questions/794 ... -same-mean