Sklearn
Sklearn
提问于 2018-03-06 16:55:30
几个月来，我一直在通过一个笔迹识别和抄写项目来学习人工智能。到目前为止，我已经成功地使用了Keras、Theano和Tensorflow，实现了CNN、CTC神经网络。
今天，我尝试使用高斯混合模型，这是向带有高斯发射的隐马尔可夫模型迈出的第一步。在此基础上，采用了结合pca约简的sklearn混合算法，选择了Akaike和Bayesian信息准则下的最优模型。对于Aic的协方差类型，它提供了一个很好的U-曲线，并与Bic相结合，因为在完全协方差的情况下，Bic只给出了一条线性曲线。在12.000份样品中，Aic的最佳型号为60n组分，Bic为120个组分.
我的输入图像有64个像素，仅代表英文字母大写字母，26个类别编号从0到25。
GaussianMixture的拟合方法忽略标签，预测方法将分量(0到59或0到119)的位置返回给n个关于概率的分量。
如何使用sklearn检索原始标签字符在列表中的位置？
回答 1
Stack Overflow用户
回答已采纳
发布于 2018-03-07 05:16:29
因此，您希望在生成分类器中使用GaussianMixture。您需要计算每个标签的P(Y=x)，并根据这些概率估计标签。为此，您需要为每个标签保留一个GMM，并使用来自相应标签的数据进行培训。然后，分数法会给出给定数据的可能性，P(X，x，Y)(或对数似然，您可能想要检查)。如果你有先验的多重可能性，你得到后验，P(Y，x)。对于每个标签，您将得到一个后验，例如P(Y=0|X)，P(Y=1|X)，.具有最大后验概率的标签可以报告为估计的标签。
您可以从下面的代码示例中获得一些提示。(假设先前的概率相等，则在实现时需要考虑这一点)
Y_predicted = clf.predict(X_test)
score = np.empty((Y_test.shape[0], 10))
predictor_list = []
for i in range(10):
predictor = GMM()
predictor.fit(X[Y==i])
predictor_list.append(predictor)
score[:, i] = predictor.score(X_test)
Y_predicted = np.argmax(score, axis=1)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/49136142
复制相关文章
相似问题
腾讯云开发者
