석류는 현재 불행히도 연속 분포에 대한 조건부 분포를 지원하지 않습니다. 그래도 빨리 추가하고 싶은 부분입니다. 그 아이디어는 그럴듯하게 들립니다. 이 영역에서 더 본격적인 PyMC를 고려할 수 있습니다.

내가 할 수 있다면, 제안보다. PyMC는 분포 혼합물, HMM 등도 지원합니다. 그러나 이를 생성하는 공장 방법은 없습니다. 인터페이스가 매우 명확한 석류가 PyMC의 (최적화된) 샘플링 방법과 통합될 수 있다면 좋을 것입니다. 아마도 석류 모델을 PyMC 모델로 변환하여.

합리적인 생각인 것 같습니다. 하지만 시간이 필요하다면 석류에서도 구현할 수 있을 것입니다. 오늘은 이 문제에 대해 작업할 시간이 있습니다. 작업을 원하는 샘플 코드 스니펫을 제공해 주시면 곧 구현할 수 있는지 확인할 수 있습니다.

나는 아직 석류를 사용하지 않았으며 내 문제에 대한 가장 완전한 라이브러리를 검색하는 단계에 있습니다. 그러나 조건부 분포를 사용하면 모든 것을 가질 수 있습니다. 내가 가지고 있는 것은 내가 내 첫 번째 게시물에서 언급한 것과 정확히 일치하지만 가우시안의 혼합만 사용하는 현재 코드입니다(닫힌 형식 파생이 존재함).

편집: 이제 sklearn GMM과 함께 사용하는 방법의 스니펫을 보여 드리겠습니다.

weighted_fit은 가중치 데이터를 처리하는 sklearns fit()의 확장 버전입니다.

gmm.weighted_fit(데이터, 무게_데이터)

내 데이터는 3차원 연속 벡터 [X,Y,Z]입니다.

z=1.2

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

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

추가해야 할 항목에 대한 예시적인 의사 코드입니다. 기본적으로 다음과 같은 항목이 있는 경우:

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

그것은 정규인 부모 분포와 부모의 선형 회귀를 중심으로 한 조건부 정규 분포를 지정합니다. 무엇이든 당신에게 가장 편리할 것입니다.

정확히 무엇을 묻는지 잘 모르겠습니다. GMM은 석류로 구현됩니다(제 생각에는 sklearn보다 빠릅니다). 조건부 가우스 혼합 모델을 찾고 있습니까?

내가 가지고 있는 조건부 GMM.
이산 및 연속 변수(예: d=[c1,c2,d1,d2])가 있는 데이터가 있는 경우 다르게 표현하겠습니다.
나는 이것을 할 수 있기를 원한다:

k 성분 혼합 모델, 연속 데이터 [d1,d2]를 모델링하기 위해 다변량은 모델 벡터 [d1,d2]에 대해 2차원입니다.

gmm=MixtureDistribution(MultivariateGaussianDistribution1, MultivariateGaussianDistribution2, ..., MultivariateGaussianDistributionk)

이산 분포

cat1=이산 분포([(0,0.1),(1,0.3),(2,0.6)])
cat2=이산 분포([(0,0.6),(1,0.4)])

새 모델은 연속 데이터와 이산 데이터의 조인 분포를 정의합니다. -> p(d)

나는 이것이 가능하지 않다고 생각하지만, 석류에서

그것이 내가 의도한 것이 정확히 무엇인지 명확하지 않은 이유일 수 있다고 생각합니다. 나는 혼합 분배 혼합물과 혼합 조인트 분배를 혼합했습니다...

수학적 공식은 페이지 하단의 공동 분포 "혼합된 경우"를 참조하십시오.

d_model=공동분포(gmm,cat1,cat2)

모델 매개변수를 데이터로 맞추기

d_model.from_sample(데이터)

이제 (대략) 결합 확률을 알고 있으므로 d1=1 및 d2=0일 때 예를 들어 [c1,c2]의 결합 확률을 알고 싶습니다.

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

죄송합니다. 아직 말씀하신 내용을 완벽하게 이해하지 못하고 있습니다. 연속형 부모와 불연속형 부모를 모두 갖도록 조건부 분포를 정의할 수 있기를 원하십니까? 기본적으로 이산 변수와 연속 변수가 모두 있는 베이지안 네트워크?

예, 그렇게 생각합니다. 그러나 나는 좀 더 연구를 했고 EM을 선호하는 어떤 형태의 샘플링 방법도 피할 것입니다. 이것이 내 모델의 표현력을 감소시킨다 하더라도. 따라서 조건부 가우스 혼합 모델을 구현한다면(내 구현이 제대로 작동하지 않음), 그보다 훨씬 감사할 것입니다. 내가 사용한 용지를 제공할 수 있지만 필요한 모든 리소스를 가지고 있을 것입니다.

물론, 나는 우리가 같은 페이지에 있는지 확인하기 위해 신문을 보고 싶습니다.

내가 찾은 두 가지 접근 방식이 있습니다.
내가 시도한 것: 기계 학습을 위한 가우스 프로세스의 부록 A
또는 조건부 가우스 혼합 모델의 2장 환경 위험 매핑

조건부 배포를 진행했습니까?

나는 아직 이것만큼 깊이 있는 것을 배울 시간이 많지 않습니다. 예비 학생 방문 날짜는 이번 주입니다. 곧 이 문제로 돌아가겠습니다.

이것은 완전히 내 레이더에서 벗어났습니다. 죄송합니다! 내가 이것을 곧 작업한다면 당신에게 도움이 될까요, 아니면 당신은 당신의 논문을 완성했습니까?

괜찮아요.
그리고 저에게 돌아와 주셔서 감사합니다. 그러나 제 논문은 끝났습니다.
도서관에 행운을 빕니다.

2016년 9월 1일 04:21에 Jacob Schreiber [email protected] 은 다음과 같이 썼습니다.

이것은 완전히 내 레이더에서 벗어났습니다. 죄송합니다! 내가 이것을 곧 작업한다면 당신에게 도움이 될까요, 아니면 당신은 당신의 논문을 완성했습니까?

—
스레드를 작성했기 때문에 이 메시지를 받는 것입니다.
이 이메일에 직접 답장하거나 GitHub https://github.com/jmschrei/pomegranate/issues/86#issuecomment -243958007에서 확인하거나 스레드 https://github.com/notifications/unsubscribe-auth/AG5qkEFMbUPk0uoKA4JTxdt8CaxTfPX29를 음소거

친애하는 @jmschrei 이 주제에 대한 프로세스는 무엇입니까? 관심도 높을 것입니다. 감사 해요!

안녕하세요 @jaSunny입니다. 구현하고자 하는 것이 무엇인지 정확히 설명할 수 있습니까?

@jmschrei : 물론이죠! sample() 메서드 는 훌륭하거나 석류 모델을 PyMC로 마이그레이션하여 샘플링을 수행할 수 있는 가능성이 있습니다. :)