我正在尝试使用 expectation maximization approach 将一些数据拟合到混合模型中.在Matlab中,代码如下
% mixture model's PDF
mixtureModel = ...
@(x,pguess,kappa) pguess/180 + (1-pguess)*exp(kappa*cos(2*x/180*pi))/(180*besseli(0,kappa));
% Set up parameters for the MLE function
options = statset('mlecustom');
options.MaxIter = 20000;
options.MaxFunEvals = 20000;
% fit the model using maximum likelihood estimate
params = mle(data, 'pdf', mixtureModel, 'start', [.1 1/10], ...
'lowerbound', [0 1/50], 'upperbound', [1 50], ...
'options', options);
data 参数是一维浮点向量。
我想知道如何在 Python 中实现等效计算。我查看了 scipy.optimize.minimize,但这似乎并不是 Matlab 的 mle 的直接替代品。
我有点迷茫和不知所措,有人能给我指出正确的方向吗(最好是一些示例代码?)
非常感谢!
编辑同时我找到了this ,但我仍然很迷茫,因为(1)这似乎主要集中在混合高斯模型(我的不是)和(2)我的数学技能严重缺乏。也就是说,我很乐意接受阐明此笔记本如何与我的具体问题相关的答案!
请您参考如下方法:
这是均匀分布和 von mises 分布的混合模型(不是混合模型),您尝试使用直接最大似然估计(不是 EM,尽管这可能更合适)来推断其参数。如果您在互联网上搜索,您可以找到关于这个确切问题的论文。 SciPy 没有任何像 matlab 的 fmincon 这样明确的选择,它在您的代码中用作默认值,但您可以寻找允许参数范围的 scipy 优化方法。 scipy 接口(interface)与 matlab 的 mle 接口(interface)不同,您需要在 scipy 最小化函数的“args”参数中传递数据,而 pguess 和 kappa 参数需要用长度为 2 的参数数组表示。
