Python-Scipy:multivariable_normal-选择输入的正确子集

非常感谢任何能推动我找到正确解决方案的帮助

我尝试分两步进行分类：

1.）计算训练集上的mu、sigma和pi。 2.）创建一个测试例程，该例程需要

- mu, sigma, pi
- an array of Feature IDs
- testx and testy.

第1部分）工作。它回来了 -穆#形4,13 -西格玛#形状4,13,13 -圆周率#形状4

def fit_generative_model(x,y):
    k = 3  # labels 1,2,...,k
    d = (x.shape)[1]  # number of features
    mu = np.zeros((k+1,d))
    sigma = np.zeros((k+1,d,d))
    pi = np.zeros(k+1)
    for label in range(1,k+1):
        indices = (y == label)
        mu[label] = np.mean(x[indices,:], axis=0)
        sigma[label] = np.cov(x[indices,:], rowvar=0, bias=1)
        pi[label] = float(sum(indices))/float(len(y))
    return mu, sigma, pi

第2部分）不起作用，因为我似乎无法选择mu和sigma的正确子集

def test_model(mu, sigma, pi, features, tx, ty):
    mu, sigma, pi = fit_generative_model(trainx,trainy)
    # set the variables
    k = 3 # Labels 1,2,...,k
    nt = len(testy)
    score = np.zeros((nt,k+1))
    covar = sigma
    for i in range(0,nt):
        for label in range(1,k+1):
            score[i,label] = np.log(pi[label]) + \
            multivariate_normal.logpdf(testx[i,features], mean=mu[label,:], cov=covar[label,:,:])
    predictions = np.argmax(score[:,1:4], axis=1) + 1

    errors = np.sum(predictions != testy)

return errors

---

当限制到指定的特性时，它应该返回生成模型在测试数据上所犯错误的数量。

试试这个。它应该会起作用

---

mean=mu[label，features]，cov=covar[label，features，features]

这适用于选择1、2和所有特征。但当选择三个时，它给出了过高的估计。在另一个论坛上，他们说当

covar[label，fetures，fetures]

（当features=[2,4,6]），这将导致

[2,2]，[4,4]，[6,6]

而不是3*3矩阵

---

不幸的是，另一个论坛没有提供答案。

虽然作为答案发布，但它看起来确实不是答案。也许你应该问一个新问题？