我通过字符识别和手写转录项目为自己学习了几个月的人工智能。到目前为止，我通过实施CNN，CTC神经网络成功地使用了Keras，Theano和Tensorflow。
今天，我尝试使用高斯混合模型，这是迈向具有高斯发射的隐马尔可夫模型的第一步。为此，我使用具有pca缩减的sklearn混合物来选择具有Akaike和贝叶斯信息标准的最佳模型。具有协方差类型Full for Aic，它提供了一个很好的U形曲线和Tic for Bic，因为具有完全协方差Bic只给出一条线性曲线。有了12.000个样品，我获得了Aic的60个n组分和Bic的120个n组分的最佳模型。
我的输入图像旁边有64个像素，仅代表英文字母的大写字母，26个类别的编号从0到25。
Sklearn GaussianMixture的拟合方法忽略标签，预测方法将组件的位置（0到59或0到119）返回到关于概率的n分量中。
如何使用sklearn GaussianMixture检索原始标签中列表中字符的位置？
答案 0 :(得分：0)
所以，你想在生成分类器中使用GaussianMixture。您需要为每个标签计算P（Y | X）并根据这些概率估计标签。为此，您需要为每个标签保留GMM并使用相应标签中的数据进行训练。然后得分方法将给出给定数据的可能性P（X | Y）（或者对数似然，你可能想要检查那个）。如果先前有多次可能性，那么你得到后验，P（Y | X）。对于每个标签，您将得到一个后标，例如P（Y = 0 | X），P（Y = 1 | X），...具有最大后验概率的标签可以报告为估计标签。
您可以从下面的代码示例中获得一些提示。 （这里假设先验概率相等，你需要在实现中考虑）
Y_predicted = clf.predict(X_test)
score = np.empty((Y_test.shape[0], 10))
predictor_list = []
for i in range(10):
predictor = GMM()
predictor.fit(X[Y==i])
predictor_list.append(predictor)
score[:, i] = predictor.score(X_test)
Y_predicted = np.argmax(score, axis=1)