Wydaje się, że istnieje kilka opcji pracy z modelami mieszanki Gaussa (GMM) w Pythonie. Na pierwszy rzut oka są co najmniej:
- PyMix - http://www.pymix.org/pymix/index.php Narzędzia do modelowania mieszanin
- PyEM - http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/em/, który jest częścią zestawu narzędzi Scipy i wydaje się koncentrować na aktualizacji GMM : Teraz znany jako sklearn.mixture .
- PyPR - http://pypr.sourceforge.net/ rozpoznawanie wzorców i powiązane narzędzia, w tym GMM
... a może inni. Wszystkie wydają się zaspokajać najbardziej podstawowe potrzeby GMM, w tym tworzenie i próbkowanie, szacowanie parametrów, grupowanie itp.
Jaka jest różnica między nimi i jak należy zdecydować, który najlepiej pasuje do konkretnej potrzeby?
Możesz spróbować profilować naprawdę prostą wersję kompresji obrazu za pomocą GMM. Biorąc pod uwagę obraz, użyj GMM, aby przypisać pikselom różne prawdopodobieństwa, a następnie odtworzyć obraz, używając prawdopodobieństw jako wskaźników dla konkretnego Gaussa, z którego najprawdopodobniej pochodzi dany piksel.
—
Phillip Cloud,
@cpcloud - Masz na myśli: skonfigurować uproszczony eksperyment do wykonania w każdym z tych pakietów, dla porównania? No dobrze, ale to niemały wysiłek. Mam nadzieję na pewne informacje od osób, które korzystały z tych pakietów.
—
Aman
Scikit-learn to popularna biblioteka do uczenia maszynowego, która również obsługuje GMM. Nie jestem pewien, czy pasuje do twoich potrzeb, ale ma tę zaletę, że ma inne algorytmy uczenia się i strukturę (np. Walidacja krzyżowa, skład modelu).
—
Bitowe
PyPR i PyEM są dostępne tylko dla Python 2 i nie wydają się być w trakcie aktywnego rozwoju. PyMix wygląda na najlepszy wybór.
—
Josh Milthorpe,