質問編集履歴
2
出力された図を加えました
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -4,24 +4,42 @@
|
|
|
4
4
|
|
|
5
5
|
混合ガウスモデルのアルゴリズムは理解しているのですがこのプログラムの出力値が何を示しているか自分の知識不足のせいでわかりません。
|
|
6
6
|
自分で考えた中では入力データの負担率だと思うのですがあってますか？
|
|
7
|
+
このプログラムにおけるy_trueとy_estimatedは何を表していますか？
|
|
8
|
+
|
|
7
9
|
負担率とは、あるデータxにおいて、k番目のクラスの正規分布からの観測される確率のことです。別の言い方をすると、あるデータxにおける混合正規分布の割合とも考えられそうです。
|
|
8
10
|
|
|
9
11
|
３つのクラスA,B,Cに分かれると想定した場合１つのデータを入力すると
|
|
10
|
-
[クラスAに属する確率,クラスBに属する確率,クラスCに属する確率] = [0.5, 0.3, 0.2]
|
|
12
|
+
[クラスAに属する確率,クラスBに属する確率,クラスCに属する確率] = [0.5, 0.3, 0.2]と出るはずです．
|
|
11
13
|
|
|
12
14
|
加えて負担率はクラスごとに計算されるものだと思うのですがこのプログラムで負担率はクラスごとに計算されますか？
|
|
13
15
|
|
|
14
|
-
このプログラムでは入力データが100個なのですがいずれは30個で行いたいと思ってます。
|
|
15
|
-
ちなみに
|
|
16
|
+
ちなみに25個のデータを入力したら重ね合わせる最適なガウス分布の個数は1で出力データは入力データの個数と同じ個数出てきました。
|
|
16
17
|
|
|
17
18
|
入力データ：
|
|
18
|
-
[1
|
|
19
|
+
[1. 1. 1. 2. 1. 1. 1. 2. 1. 2. 3. 1. 3. 1. 2. 4. 1. 2. 4. 1. 1. 2. 5. 1. 1. ]
|
|
19
20
|
|
|
20
21
|
出力データ：
|
|
22
|
+
<y_true>
|
|
21
|
-
[0.
|
|
23
|
+
[0.41558912 0.57036429 0.52914185 0.48112792 0.60293698 0.46554157
|
|
24
|
+
0.52676959 0.54020389 0.37723733 0.44722378 0.56863281 0.58951637
|
|
25
|
+
0.51391066 0.51027414 0.58159079 0.45768141 0.45611032 0.43729612
|
|
26
|
+
0.55446468 0.48241021 0.45572774 0.55418018 0.51759982 0.44739818
|
|
27
|
+
0.45398047]
|
|
22
28
|
|
|
29
|
+
<y_estimated>
|
|
30
|
+
[0.49164472 0.49164472 0.49164472 0.50693811 0.49164472 0.49164472
|
|
31
|
+
0.49164472 0.50693811 0.49164472 0.50693811 0.52245777 0.49164472
|
|
32
|
+
0.52245777 0.49164472 0.50693811 0.5224578 0.49164472 0.50693811
|
|
33
|
+
0.5224578 0.49164472 0.49164472 0.50693811 0.5224578 0.49164472
|
|
34
|
+
0.49164472]
|
|
23
35
|
|
|
36
|
+
<図1>
|
|
37
|
+
|
|
24
38
|
|
|
39
|
+
<図2>
|
|
40
|
+
|
|
41
|
+
|
|
42
|
+
|
|
25
43
|
``````ここに言語を入力
|
|
26
44
|
python
|
|
27
45
|
```
|
|
@@ -44,14 +62,14 @@
|
|
|
44
62
|
sigma = np.array([0.05, 0.05, 0.03])
|
|
45
63
|
|
|
46
64
|
|
|
47
|
-
|
|
65
|
+
|
|
48
66
|
list = []
|
|
49
67
|
with open('data/src/sample.csv') as f:#ファイル名は架空のものを記載
|
|
50
68
|
reader = csv.reader(f)
|
|
51
69
|
for row in reader:
|
|
52
|
-
list.append(row[
|
|
70
|
+
list.append(row[3])#sample.csvの4列目の値を取得
|
|
53
|
-
float = float(
|
|
71
|
+
float = [float(s) for s in list]#文字列をfloat型に変換
|
|
54
|
-
x = np.array(
|
|
72
|
+
x = np.array(float)#numpy型に変換 xは入力したデータ
|
|
55
73
|
|
|
56
74
|
y_true = np.random.normal(0.5, 0.05, len(x))
|
|
57
75
|
for i in range(num_peak_true):
|
|
@@ -99,7 +117,8 @@
|
|
|
99
117
|
|
|
100
118
|
#出力データ
|
|
101
119
|
print(y_true)
|
|
102
|
-
|
|
120
|
+
print(y_estimated)
|
|
121
|
+
|
|
103
122
|
# gaussian fit
|
|
104
123
|
fig, ax = plt.subplots(figsize=(6, 4))
|
|
105
124
|
plt.scatter(x, y_true, label='true data')
|
|
@@ -110,7 +129,7 @@
|
|
|
110
129
|
plt.legend()
|
|
111
130
|
plt.tight_layout()
|
|
112
131
|
plt.savefig("mix_gauss_fit.png")
|
|
113
|
-
plt.show()
|
|
132
|
+
plt.show()#図１
|
|
114
133
|
plt.close()
|
|
115
134
|
|
|
116
135
|
# BIC
|
|
@@ -122,6 +141,6 @@
|
|
|
122
141
|
plt.xticks(x_bic)
|
|
123
142
|
plt.tight_layout()
|
|
124
143
|
plt.savefig("bic.png")
|
|
125
|
-
plt.show()
|
|
144
|
+
plt.show()#図2
|
|
126
145
|
plt.close()
|
|
127
146
|
```[リンク内容](https://omedstu.jimdofree.com/2018/12/01/scipyによる1次元混合ガウス回帰/)
|
1
入力データと出力データをコードに反映させました。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -32,6 +32,7 @@
|
|
|
32
32
|
import matplotlib.pyplot as plt
|
|
33
33
|
from tqdm import tqdm
|
|
34
34
|
import math
|
|
35
|
+
import csv
|
|
35
36
|
|
|
36
37
|
"""Setting up test data"""
|
|
37
38
|
def gaussian_func(x, A, mu, sigma):
|
|
@@ -42,8 +43,15 @@
|
|
|
42
43
|
mu = np.array([0.2, 0.4, 0.8])
|
|
43
44
|
sigma = np.array([0.05, 0.05, 0.03])
|
|
44
45
|
|
|
46
|
+
|
|
45
|
-
|
|
47
|
+
#sample.csvの3列目の値を取得
|
|
48
|
+
list = []
|
|
49
|
+
with open('data/src/sample.csv') as f:#ファイル名は架空のものを記載
|
|
50
|
+
reader = csv.reader(f)
|
|
51
|
+
for row in reader:
|
|
52
|
+
list.append(row[2])
|
|
53
|
+
float = float(list)#文字列をfloat型に変換
|
|
46
|
-
x = np.
|
|
54
|
+
x = np.array(list)#numpy型に変換 xは入力したデータ
|
|
47
55
|
|
|
48
56
|
y_true = np.random.normal(0.5, 0.05, len(x))
|
|
49
57
|
for i in range(num_peak_true):
|
|
@@ -87,8 +95,10 @@
|
|
|
87
95
|
"""plot results"""
|
|
88
96
|
y_estimated = plsq_global_opt[0]
|
|
89
97
|
for i in range(num_peak_estimated):
|
|
90
|
-
y_estimated += gaussian_func(x, plsq_global_opt[3*i+1], plsq_global_opt[3*i+2],
|
|
98
|
+
y_estimated += gaussian_func(x, plsq_global_opt[3*i+1], plsq_global_opt[3*i+2],plsq_global_opt[3*(i+1)])
|
|
99
|
+
|
|
100
|
+
#出力データ
|
|
91
|
-
|
|
101
|
+
print(y_true)
|
|
92
102
|
|
|
93
103
|
# gaussian fit
|
|
94
104
|
fig, ax = plt.subplots(figsize=(6, 4))
|