تقدير الكثافة لمزيج غاوسي#

ارسم تقدير الكثافة لمزيج من غاوسيين. يتم توليد البيانات من غاوسيين لهما مراكز ومصفوفات تباين مختلفة.

Negative log-likelihood predicted by a GMM
# المؤلفون: مطوري سكايلرن
# معرف الترخيص: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LogNorm

from sklearn import mixture

n_samples = 300

# توليد عينة عشوائية، مكونان
np.random.seed(0)

# توليد بيانات كروية مركزها (20, 20)
shifted_gaussian = np.random.randn(n_samples, 2) + np.array([20, 20])

# توليد بيانات غاوسية ممدودة مركزها صفر
C = np.array([[0.0, -0.7], [3.5, 0.7]])
stretched_gaussian = np.dot(np.random.randn(n_samples, 2), C)

# دمج المجموعتين في مجموعة التدريب النهائية
X_train = np.vstack([shifted_gaussian, stretched_gaussian])

# ملاءمة نموذج مزيج غاوسي بمكونين
clf = mixture.GaussianMixture(n_components=2, covariance_type="full")
clf.fit(X_train)

# عرض الدرجات المتوقعة بواسطة النموذج كخريطة خطوط
x = np.linspace(-20.0, 30.0)
y = np.linspace(-20.0, 40.0)
X, Y = np.meshgrid(x, y)
XX = np.array([X.ravel(), Y.ravel()]).T
Z = -clf.score_samples(XX)
Z = Z.reshape(X.shape)

CS = plt.contour(
    X, Y, Z, norm=LogNorm(vmin=1.0, vmax=1000.0), levels=np.logspace(0, 3, 10)
)
CB = plt.colorbar(CS, shrink=0.8, extend="both")
plt.scatter(X_train[:, 0], X_train[:, 1], 0.8)

plt.title("Negative log-likelihood predicted by a GMM")
plt.axis("tight")
plt.show()

Total running time of the script: (0 minutes 0.156 seconds)

Related examples

SGD: العينات المرجحة

SGD: العينات المرجحة

توضيح تصنيف العملية الغاوسية (GPC) على مجموعة بيانات XOR

توضيح تصنيف العملية الغاوسية (GPC) على مجموعة بيانات XOR

الكشف عن البيانات الشاذة باستخدام عامل الانحراف المحلي (LOF)

الكشف عن البيانات الشاذة باستخدام عامل الانحراف المحلي (LOF)

تمرين SVM

تمرين SVM

Gallery generated by Sphinx-Gallery