अनार वर्तमान में सशर्त वितरण का समर्थन नहीं करता है जो दुर्भाग्य से निरंतर वितरण पर सशर्त हैं। हालांकि यह कुछ ऐसा है जिसे मैं जल्द ही जोड़ना चाहता हूं। हालांकि विचार प्रशंसनीय लगता है। आप PyMC पर विचार कर सकते हैं, जो इस क्षेत्र में अधिक विकसित है।

थान, अगर मैं कर सकता हूँ, एक सुझाव। PyMC वितरण मिश्रण, HMM, आदि का भी समर्थन करता है, लेकिन उन्हें बनाने के लिए कोई फ़ैक्टरी विधियाँ नहीं हैं। यह बहुत अच्छा होगा यदि अनार (जिसका इंटरफ़ेस बहुत स्पष्ट है) PyMC के (अनुकूलित) नमूनाकरण विधियों के साथ एकीकृत करने में सक्षम होगा। हो सकता है, अनार के मॉडल को PyMC मॉडल में परिवर्तित करके।

यह एक उचित विचार की तरह लगता है। हालाँकि, अगर मुझे इसे स्थापित करने के लिए समय मिलता, तो मेरे पास इसे अनार में लागू करने का भी समय होता। इन मुद्दों पर काम करने के लिए मेरे पास वास्तव में आज कुछ समय होगा। यदि आप एक नमूना कोड स्निपेट प्रदान कर सकते हैं जिसे आप काम देखना चाहते हैं, तो मैं देख सकता हूं कि क्या मैं इसे जल्द ही लागू कर सकता हूं।

मैंने अभी तक अनार का उपयोग नहीं किया है, मैं अपनी समस्या के लिए सबसे पूर्ण पुस्तकालय खोजने के चरण में हूं। लेकिन सशर्त वितरण के साथ मेरे पास यह सब होगा। मेरे पास जो है, वह मेरा वर्तमान कोड है जिसमें मैं वही करता हूं जो मैंने अपनी पहली पोस्ट में उल्लेख किया था, लेकिन केवल गाऊसी के मिश्रण का उपयोग कर रहा था (जिसके लिए एक बंद फॉर्म व्युत्पत्ति मौजूद है)।

संपादित करें: मैं एक स्निपेट दिखाऊंगा कि मैं इसे अब स्केलेर जीएमएम के साथ कैसे उपयोग करता हूं

भारित_फिट स्केलेर फिट () का एक विस्तारित संस्करण है जो भारित डेटा को संभालता है

gmm.भारित_फिट (डेटा, weight_data)

मेरा डेटा 3 आयामी निरंतर वैक्टर है [एक्स, वाई, जेड]

जेड = 1.2

P(X=nan,X=nan | p=Z)

(con_mean, con_cov, con_weights) = उपयोगिता.cond_dist_gmm(np.array([np.nan,np.nan,z]), gmm.means_, gmm._get_covars(), gmm.weights_)

मुझे जो जोड़ने की आवश्यकता है उसके लिए निदर्शी psueodocode। मूल रूप से, यदि आपके पास ऐसा कुछ है:

a = NormalDistribution( 5, 2 )
b = ConditionalGaussianDistribution( w=[5], w0=2, sigma=2 )

यह एक मूल वितरण निर्दिष्ट करेगा जो एक सामान्य है, और एक सशर्त सामान्य वितरण माता-पिता के रैखिक प्रतिगमन के आसपास केंद्रित है। जो भी आपके लिए सबसे सुविधाजनक होगा।

मुझे यकीन नहीं है कि आप क्या पूछ रहे हैं। जीएमएम अनार में लागू होते हैं (और मुझे लगता है कि स्केलेर से तेज़)। क्या आप सशर्त गाऊसी मिश्रण मॉडल की तलाश कर रहे हैं?

मेरे पास सशर्त जीएमएम हैं।
असतत और निरंतर चर दोनों के साथ डेटा दिया गया है, जैसे कि d=[c1,c2,d1,d2], मैं इसे अलग-अलग वाक्यांश दूंगा।
मैं ऐसा करने में सक्षम होना चाहता हूं:

k घटक मिश्रण मॉडल, निरंतर डेटा [d1,d2] मॉडल करने के लिए, बहुभिन्नरूपी मॉडल वेक्टर के लिए 2 आयामी है [d1,d2]

gmm=मिश्रण वितरण(बहुभिन्नरूपी गाऊसी वितरण1, बहुभिन्नरूपी गाऊसी वितरण2, ..., बहुभिन्नरूपी गाऊसी वितरणk)

असतत वितरण

cat1=असतत वितरण([(0,0.1),(1,0.3),(2,0.6)])
cat2=असतत वितरण([(0,0.6),(1,0.4)])

नया मॉडल निरंतर और असतत डेटा दोनों के जुड़ने के वितरण को परिभाषित करता है -> p(d)

मुझे नहीं लगता कि यह संभव है, फिर भी, अनार में

मुझे लगता है कि शायद यही कारण है कि यह बिल्कुल स्पष्ट नहीं था कि मेरा क्या इरादा था, मैंने मिश्रित संयुक्त वितरण के साथ मिश्रित वितरण मिश्रण ...

गणितीय सूत्रीकरण के लिए पृष्ठ के निचले भाग में संयुक्त वितरण "मिश्रित मामला" देखें

d_model=संयुक्त वितरण(gmm,cat1,cat2)

डेटा के साथ मॉडल पैरामीटर फिट करें

d_model.from_sample (डेटा)

अब यह देखते हुए कि मैं संयुक्त संभावना (लगभग) जानता हूं, मैं उदाहरण के लिए [c1,c2] की संयुक्त संभावना जानना चाहूंगा, जो कि d1=1 और d2=0 है

cond_d = कंडीशनलडिस्ट (d_model,[np.nan,np.nan,1,0] )

मुझे खेद है, मैं अभी भी पूरी तरह से समझ नहीं पा रहा हूं कि आपका क्या मतलब है। क्या आप कह रहे हैं कि आप निरंतर और असतत माता-पिता दोनों के लिए एक सशर्त वितरण को परिभाषित करने में सक्षम होना चाहते हैं? मूल रूप से, एक बायेसियन नेटवर्क जिसमें असतत और निरंतर चर दोनों हैं?

हाँ, मुझे लगता है कि ऐसा ही होगा। लेकिन मैंने कुछ और शोध किया और मैं ईएम के पक्ष में किसी भी प्रकार के नमूने के तरीकों से बचूंगा। भले ही यह मेरे मॉडल की अभिव्यक्ति को कम कर देता है। इसलिए, यदि आप सशर्त गाऊसी मिश्रण मॉडल लागू करेंगे (मेरा अपना कार्यान्वयन ठीक से काम नहीं करता है), तो इसकी बहुत सराहना की जाएगी। मैं अपने द्वारा उपयोग किया गया कागज प्रदान कर सकता हूं, लेकिन संभवत: आपके पास वे सभी संसाधन हैं जिनकी आपको आवश्यकता है।

ज़रूर, मैं यह सुनिश्चित करने के लिए कागज़ को देखना चाहता हूँ कि हम एक ही पृष्ठ पर हैं।

मैंने पाया है कि 2 दृष्टिकोण हैं:
मैंने कोशिश की: मशीन लर्निंग के लिए गाऊसी प्रक्रियाओं में परिशिष्ट ए
या सशर्त गाऊसी मिश्रण मॉडल में अध्याय 2 पर्यावरण जोखिम मानचित्रण

क्या आपने सशर्त वितरण की दिशा में प्रगति की है?

मेरे पास इस बारे में गहराई से जानने के लिए ज्यादा समय नहीं है, क्योंकि इस सप्ताह संभावित छात्र मुलाकात के दिन हैं। मैं जल्द ही इस मुद्दे पर लौटूंगा।

यह पूरी तरह से मेरे रडार से गिर गया, मुझे क्षमा करें! यदि मैंने इस पर शीघ्र ही कार्य किया, तो क्या यह आपके किसी काम का होगा, या आपने अपनी थीसिस पूरी की?

कोई दिक्कत नहीं है।
और मेरे पास वापस आने के लिए धन्यवाद, लेकिन मेरी थीसिस समाप्त हो गई है।
आपके पुस्तकालय के साथ शुभकामनाएँ।

01 सितंबर 2016 को 04:21 बजे, जैकब श्राइबर नोटिफिकेशन @github.com ने लिखा:

यह पूरी तरह से मेरे रडार से गिर गया, मुझे क्षमा करें! यदि मैंने इस पर शीघ्र ही कार्य किया, तो क्या यह आपके किसी काम का होगा, या आपने अपनी थीसिस पूरी की?

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपने सूत्र को लिखा है।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें https://github.com/jmschrei/pomegranate/issues/86#issuecomment -243958007, या थ्रेड को म्यूट करें https://github.com/notifications/unsubscribe-auth/AG5qEFMbUPk0uoKA4Hkxdt8CaxTfPX29JpZ5qlja

प्रिय @jmschrei इस विषय पर आपकी क्या प्रक्रिया है? भी अत्यधिक रुचि होगी। धन्यवाद!

हाय @jaSunny। क्या आप वास्तव में इसका वर्णन कर सकते हैं कि आप इसे क्या लागू करना चाहते हैं?

@jmschrei : ज़रूर! अनार के मॉडल को PyMC में स्थानांतरित करने के लिए नमूना () विधि बहुत बढ़िया या एक संभावना होगी, इसलिए वहां नमूनाकरण किया जा सकता है। :)