Question

我意识到有几篇文章演示了如何将GMM适用于带有sklearn（[1]和[2]的1D Gaussian（仅举几例）。然而，在所有这些情况下，数据作为单个点存在，其中分布是高斯分布。在我的情况下，我基本上有一个频率表（我正在处理光谱数据），其中分布是高斯分布，但个别点是未知的。

我的发布（即我试图拟合的数据）如下所示：1D Gaussian Peak

我想用GMM去卷积构成这个峰值的2个初始高斯分布。

到目前为止，我已经尝试了以下内容（假设我的数据是一个200x2阵列，位置在一列中，AFU在第二列中）：

import numpy as np
from sklearn import mixture
import matplotlib.pyplot as plt

def gengmm(nc=4, n_iter = 2):
  g = mixture.GMM(n_components=nc)  # number of components
  g.init_params = ""  # No initialization
  g.n_iter = n_iter   # iteration of EM method
  return g

我试着看看我是否可以将这个峰值适合单个高斯：

g = gengmm(1, 100) 
g.fit(data)

然而，我得到的均值和协方差并没有特别好地定义我的数据（值得注意的是，高斯分布的平均值是127.5，这不是用1分量GMM恢复的）。

有更简单的方法吗？（我意识到我可以使用最小二乘拟合来恢复初始高斯，但同样，我试图最终使用它来确定构成最终高斯分布的两个基础高斯分布。）

谢谢！

如何使用sklearn将GMM拟合到1D高斯图？

0 个答案: