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 смеси гаусса была бы хорошим способом сделать это, поэтому я пытаюсь использовать класс Gaussianmixture Scikit-Learn, чтобы соответствовать параметрам и весам двух гауссовских распределений. < /P>
Игрушечный пример: < /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. I put in means of zero, and standard deviations of 5 and 30, both with weights of 0.5 (both have 1000 data points), and it finds means of [-0.0715483 and -0.06263915], standard deviations of [ 5.46757321 and 30.77977466], and weights of [0.53427173 and 0.46572827].
Пока все хорошо.
Однако в моем приложении я знаю , что базовое распределение является юнодальным, и я действительно хочу найти только комбинацию (стандартные отклонения и веса) лучше всего подходит. Следовательно, я бы хотел force , чтобы 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 , параметризующего распределение , так что, возможно, есть лучшее решение, о котором я не знаю.>

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