如何使用Python中的参数构造和绘制单变量高斯混合

我想在Python中构造并1D绘制一个单变量高斯混合，其中包含三个组件，我已经有了它的参数，包括mu、sigma、mix系数

我所追求的在MATLAB中有一个等价物，即gmdistributionmu、sigma、p

我认为代码应该是这样的：

from numpy import *
from matplotlib.pylab import *
from sklearn import mixture

gmm = mixture.GMM(n_components=3)
gmm.means_ = np.array([[-1], [0], [3]])
gmm.covars_ = np.array([[1.5], [1], [0.5]]) ** 2
gmm.weights_ = np.array([0.3, 0.5, 0.2])
fig = plt.figure(figsize=(5, 1.7))

ax = fig.add_subplot(131)
#ax.plot(gmm, '-k') 

想知道怎么做

---

干杯

假设高斯函数是独立的，并且您想要绘制pdf，您可以只组合由概率加权的基本高斯pdf：

import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt

means = -1., 0., 3.
stdevs = 1.5, 1., 0.5
weights = 0.3, 0.5, 0.2

x = np.arange(-5., 5., 0.01)

pdfs = [p * ss.norm.pdf(x, mu, sd) for mu, sd, p in zip(means, stdevs, weights)]

density = np.sum(np.array(pdfs), axis=0)
plt.plot(x, density)

---

这是正确的，需要一点基本的概率论。

太好了！如何确定高斯数是独立的？如果不是，pdf计算会发生什么？如果你将其拟合为单变量数据，那么我们只需假设高斯函数是独立的，否则问题就被过度确定了。当然，在状态空间建模的情况下，你可能会假设非零相关性，但这并不典型。谢谢@stochasticfish