Pakiety Python do pracy z modelami mieszanin Gaussa (GMM)

Wydaje się, że istnieje kilka opcji pracy z modelami mieszanki Gaussa (GMM) w Pythonie. Na pierwszy rzut oka są co najmniej:

PyMix - http://www.pymix.org/pymix/index.php Narzędzia do modelowania mieszanin
PyEM - http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/em/, który jest częścią zestawu narzędzi Scipy i wydaje się koncentrować na aktualizacji GMM : Teraz znany jako sklearn.mixture .
PyPR - http://pypr.sourceforge.net/ rozpoznawanie wzorców i powiązane narzędzia, w tym GMM

... a może inni. Wszystkie wydają się zaspokajać najbardziej podstawowe potrzeby GMM, w tym tworzenie i próbkowanie, szacowanie parametrów, grupowanie itp.

Jaka jest różnica między nimi i jak należy zdecydować, który najlepiej pasuje do konkretnej potrzeby?

Patrz: http://www.scipy.org/Topical_Software

normal-distribution python mixture Mężczyzna
źródło

Możesz spróbować profilować naprawdę prostą wersję kompresji obrazu za pomocą GMM. Biorąc pod uwagę obraz, użyj GMM, aby przypisać pikselom różne prawdopodobieństwa, a następnie odtworzyć obraz, używając prawdopodobieństw jako wskaźników dla konkretnego Gaussa, z którego najprawdopodobniej pochodzi dany piksel.

Phillip Cloud,

@cpcloud - Masz na myśli: skonfigurować uproszczony eksperyment do wykonania w każdym z tych pakietów, dla porównania? No dobrze, ale to niemały wysiłek. Mam nadzieję na pewne informacje od osób, które korzystały z tych pakietów.

Aman

Scikit-learn to popularna biblioteka do uczenia maszynowego, która również obsługuje GMM. Nie jestem pewien, czy pasuje do twoich potrzeb, ale ma tę zaletę, że ma inne algorytmy uczenia się i strukturę (np. Walidacja krzyżowa, skład modelu).

Bitowe

PyPR i PyEM są dostępne tylko dla Python 2 i nie wydają się być w trakcie aktywnego rozwoju. PyMix wygląda na najlepszy wybór.

Josh Milthorpe,

Pakiety Python do pracy z modelami mieszanin Gaussa (GMM)

Odpowiedzi: