Python sklearn GMM分类器的分类输出错误

我正在使用

sklearn

中的

GMM

工具包构建一个基本的说话人识别器。我有3个类，每个类都有一个分类器。在测试阶段，应选择概率最高的说话人的

GMM

，程序应返回每个测试样本的预测等级。我想改变混合物成分的数量，并在此示例代码中设置

n_components=4

。 如果我使用4个混合成分，分类器的输出将是0、1、2或3。如果我使用3种混合物成分，它将是0、1或2。我感觉分类器返回预测的混合成分，而不是整个GMM。但我希望它能预测类：1，2或3

这是我的密码：

import numpy as np
from sklearn.mixture import GMM

#set path
path="path"

class_names = [1,2,3]

covs =  ['spherical', 'diag', 'tied', 'full']

training_data = {1: np.loadtxt(path+"/01_train_debug.data"), 2:  np.loadtxt(path+"/02_train_debug.data"), 3: np.loadtxt(path+"/03_train_debug.data")}

print "Training models"
models = {}
for c in class_names:
    # make a GMM for each of the classes in class_names
    models[c] = dict((covar_type,GMM(n_components=4,
                    covariance_type=covar_type, init_params='wmc',n_init=1, n_iter=20))
                   for covar_type in covs)


for cov in covs:
    for c in class_names:
            models[c][cov].fit(training_data[c])

#define test set
test01 = np.loadtxt(path+"/01_test_debug.data")
test02 = np.loadtxt(path+"/02_test_debug.data")
test03 = np.loadtxt(path+"/03_test_debug.data")

testing_data = {1: test01, 2: test02, 3: test03}

probs = {}

print "Calculating Probabilities"

for c in class_names:
    probs[c] = {}
    for cov in covs:
        probs[c][cov] = {}
        for p in class_names:
            probs[c][cov] = models[p][cov].predict(testing_data[c])


for c in class_names:
    print c
    for cov in covs:
        print "   ",cov,
        for p in class_names:
            print p, probs,
        print 

我上面的假设是正确的还是代码中有逻辑错误？ 在sklearn中有解决这个问题的方法吗？ 提前感谢您的帮助

在您的代码中，第一次输入的

模型的键是协方差类型，第二次输入的键是类名。对不起，我误读了你的密码

编辑：如果您需要拟合的GMM模型下数据的每个样本的可能性，则应使用
score\u samples
方法。
predict
方法不返回概率，而是返回组件分配

此外，默认情况下，GMM是非监督模型。如果您想从一堆GMM模型中构建一个有监督的模型，您可能应该将其包装为一个estimator类来包装它们，并实现fit/predict API，以便能够通过交叉验证来估计其准确性，并通过网格搜索来调整超参数值。正在实施类似的东西。随着时间的推移，它可能会被纳入下一个scikit学习版（0.15版，应该在2014年初发布）。
谢谢！我最初使用的是score_samples方法，但不确定如何根据结果计算混淆矩阵。将切换回并尝试一下！您必须参加与每个样本得分最高的模型相匹配的课程。@ogrisel您好，我想知道您是否可以提前在我的感谢中查看类似的问题。