Il semble y avoir plusieurs options disponibles pour travailler avec des modèles de mélange gaussiens (GMM) en Python. À première vue, il existe au moins:
- PyMix - http://www.pymix.org/pymix/index.php Outils pour la modélisation des mélanges
- PyEM - http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/em/ qui fait partie de la boîte à outils Scipy et semble se concentrer sur la mise à jour des GMM : désormais connue sous le nom de sklearn.mixture .
- PyPR - http://pypr.sourceforge.net/ reconnaissance des formes et outils associés, y compris les GMM
... et peut-être d'autres. Ils semblent tous répondre aux besoins les plus élémentaires en matière de MGM, notamment la création et l'échantillonnage, l'estimation des paramètres, le regroupement, etc.
Quelle est la différence entre eux et comment faut-il déterminer lequel est le mieux adapté à un besoin particulier?
Vous pouvez essayer de profiler une version très simple de la compression d'image à l'aide de GMM. Étant donné une image, utilisez un GMM pour attribuer aux pixels des probabilités différentes, puis recréez l'image en utilisant les probabilités comme indices pour le gaussien particulier dont un pixel particulier était le plus susceptible de provenir.
—
Phillip Cloud
@cpcloud - Vous voulez dire: mettre en place une expérience simplifiée à exécuter dans chacun de ces packages, comme point de comparaison? Eh bien, d'accord, mais ce n'est pas un petit effort. J'espère que les personnes qui ont utilisé ces packages auront leur mot à dire.
—
Aman
Scikit-learn est une bibliothèque d'apprentissage automatique populaire qui prend également en charge GMM. Je ne suis pas sûr qu'il corresponde à vos besoins, mais il a l'avantage d'avoir d'autres algorithmes et framework d'apprentissage (par exemple, la validation croisée, la composition du modèle).
—
Bitwise
PyPR et PyEM ne sont disponibles que pour Python 2 et ne semblent plus être en développement actif. PyMix ressemble au meilleur choix.
—
Josh Milthorpe