如何正确移除ScikitLearn的DPGMM的冗余组件？

Question

我正在使用scikit learn实现Dirichlet过程高斯混合模型：

https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/mixture/dpgmm.pyhttp://scikit-learn.org/stable/modules/generated/sklearn.mixture.BayesianGaussianMixture.html

也就是说，它是sklearn.mixture.BayesianGaussianMixture()，默认设置为weight_concentration_prior_type = 'dirichlet_process'。与k-means（用户预先设置簇数k）不同，DPGMM是一个无限混合模型，Dirichlet过程是一个关于簇数的先验分布。在

我的DPGMM模型始终将精确的集群数量输出为n_components。如本文所述，正确的处理方法是使用predict(X)来“减少冗余组件”：

Scikit-Learn's DPGMM fitting: number of components?

但是，链接到的示例实际上并没有删除冗余组件并显示数据中“正确”的集群数量。相反，它只是绘制正确的簇数。在

http://scikit-learn.org/stable/auto_examples/mixture/plot_gmm.html

用户如何实际删除冗余组件，并输出一个数组，这些组件应该是哪些？这是删除冗余集群的“官方”/唯一方法吗？在

这是我的代码：

>>> import pandas as pd 
>>> import numpy as np 
>>> import random
>>> from sklearn import mixture  
>>> X = pd.read_csv(....)   # my matrix
>>> X.shape
(20000, 48) 
>>> dpgmm3 = mixture.BayesianGaussianMixture(n_components = 20, weight_concentration_prior_type='dirichlet_process', max_iter = 1000, verbose = 2) 
>>> dpgmm3.fit(X) # Fitting the DPGMM model
>>> labels = dpgmm3.predict(X) # Generating labels after model is fitted
>>> max(labels)
>>> np.unique(labels) #Number of lab els == n_components specified above
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])

#Trying with a different n_components

>>> dpgmm3_1 = mixture.BayesianGaussianMixture( weight_concentration_prior_type='dirichlet_process', max_iter = 1000) #not specifying n_components
>>> dpgmm3_1.fit(X)
>>> labels_1 = dpgmm3_1.predict(X)  
>>> labels_1
array([0, 0, 0, ..., 0, 0, 0]) #All were classified under the same label

#Trying with n_components = 7

>>> dpgmm3_2 = mixture.BayesianGaussianMixture(n_components = 7, weight_concentration_prior_type='dirichlet_process', max_iter = 1000)
>>> dpgmm3_2.fit()

>>> labels_2 = dpgmm3_2.predict(X)
>>> np.unique(labels_2)
array([0, 1, 2, 3, 4, 5, 6]) #number of labels == n_components

Answer 1

目前还没有自动化的方法来实现这一点，但是您可以查看一下估计的weights_属性，并对值较小（例如低于0.01）的组件进行修剪。在

编辑：计算模型有效使用的组件数量：

model = BayesianGaussianMixture(n_components=30).fit(X)
print("active components: %d" % np.sum(model.weights_ > 0.01)

这将打印出低于所提供上限（本例中为30）的活动组件。在

编辑2：参数n_components指定模型可以使用的最大组件数。模型实际使用的组件的有效数量可以通过在fit结束时反省weigths_属性来检索。它主要取决于数据的结构和weight_concentration_prior的值（尤其是在样本数较少的情况下）。在

Answer 2

看看[1]中描述的排斥高斯混合。 它们试图与高斯函数的混合体相匹配，因为高斯函数的重叠较少，因此通常不太冗余。在

我还没有找到它的源代码。在

{1}