Python 为对象识别对点分布进行分类

我有一些观点需要分类。考虑到这些点的集合，我需要说明它们最匹配的其他（已知）分布。例如，给定左上分布中的点，我的算法必须说明它们是否与第二、第三或第四分布更匹配。（由于方向相似，此处左下角是正确的）

我有一些机器学习的背景，但我不是专家。我在考虑使用高斯混合模型，或者可能是隐马尔可夫模型（正如我之前用类似问题对签名进行分类）

如果您能帮助我解决这个问题，我将不胜感激。作为背景信息，我正在使用OpenCV和Python，因此我很可能不必从头开始实现所选的算法，我只想通过一个指针知道哪些算法适用于这个问题

免责声明：我原本想在StackExchange的数学部分发布这篇文章，但我缺乏必要的声誉来发布图片。我觉得如果不展示一些图片，我的观点是不清楚的，所以我把它贴在了这里。我相信它仍然与计算机视觉和机器学习相关，因为它最终将用于物体识别

编辑：

---

我阅读并考虑了下面给出的一些答案，现在想补充一些新的信息。我不想将这些分布建模为单一高斯分布的主要原因是，最终我还必须能够区分不同的分布。也就是说，可能有两个不同的分布代表两个不同的对象，然后，我的算法应该知道，两个分布中只有一个代表我们感兴趣的对象。

我认为这取决于数据的确切来源，以及您希望对其分布做出何种假设。即使是从单一的高斯分布也可以很容易地画出上面的点，在这种情况下，估计每个点的参数，然后选择最接近的匹配是非常简单的

或者，您可以选择判别选项，即计算您认为有助于确定一组点所属类别的任何统计数据，并使用SVM或类似工具进行分类。这可以看作是将这些样本（2d点集）嵌入到更高维空间中以获得单个向量

---

此外，如果数据实际上像本例中一样简单，您可以只进行主成分分析，并通过第一个特征向量进行匹配

您应该将分布与数据进行拟合，确定每个分布的chi^2偏差，查看F检验。例如，在模型拟合等方面，

< P>你可能还需要考虑非参数技术（例如，在每个新数据集上的多元核密度估计），以便比较统计分布或估计分布的距离。在Python

stats中，kde是中的一个实现。
为什么不在上面问一下呢？我肯定没有足够的声誉在那里发布图像？（我没有足够的数学知识——我在哪里有账户）但是我在哪里托管图像呢？我想我可以把它放在我大学的网站上并发布链接。如果我在这里找不到答案，我会这么做，谢谢你的建议！我相信这方面有很多服务，例如photobucket、tinypic等。理想情况下，我需要不止一个分布，因为点的形状可以自由变化，看起来不像一个单一的高斯分布。这些点来自对象注册过程中从三维模型的二维视图中提取的特征。请你详细说明一下“选择最接近的匹配项”好吗？如何比较高斯分布的相似性？平均值和协方差？对于单个高斯分布，我认为最容易估计新样本中每个分布点的可能性。