如何强制一维高斯混合模型中所有成分具有相同均值-Python教程-PHP中文网

如何强制一维高斯混合模型中所有成分具有相同均值

本文介绍在 scikit-learn 中实现「共享均值」高斯混合模型（gmm）的实用方法：通过自定义 em 步骤或手动构建参数化模型，绕过默认限制，精准拟合已知单峰分布。

本文介绍在 scikit-learn 中实现「共享均值」高斯混合模型（gmm）的实用方法：通过自定义 em 步骤或手动构建参数化模型，绕过默认限制，精准拟合已知单峰分布。

在实际建模中，当先验知识明确指出底层分布是单峰且中心对齐（例如所有高斯成分共享同一均值 μ），而仅需估计各成分的方差 σₖ² 和混合权重 wₖ 时，标准 GaussianMixture 类无法直接满足该约束——其 EM 算法默认独立更新每个成分的均值，不支持参数耦合。

虽然答案中提及“修改 scikit-learn 源码”（如硬编码 means = np.zeros_like(means)）是一种技术可行方案，但强烈不推荐用于生产环境：它破坏算法收敛性、丧失统计一致性、不可复现，且难以扩展至非零共享均值或 >2 成分场景。

✅ 更优解：手动构建带约束的 GMM 对数似然函数，并用 scipy.optimize 进行最大似然估计。以下以双成分一维 GMM 为例（可无缝扩展至 K 成分）：

import numpy as np
from scipy.optimize import minimize
from scipy.stats import norm

def constrained_gmm_negloglik(params, data, fixed_mean=0.0):
    """
    负对数似然函数：K=2，共享均值 fixed_mean，优化 [log_sigma1, log_sigma2, logit_weight1]
    使用对数/Logit 参数化确保 sigma > 0, weight ∈ (0,1)
    """
    log_sigma1, log_sigma2, logit_w1 = params
    sigma1, sigma2 = np.exp(log_sigma1), np.exp(log_sigma2)
    w1 = 1 / (1 + np.exp(-logit_w1))  # sigmoid → weight in (0,1)
    w2 = 1 - w1

    # 每个数据点的密度 = w1 * N(x|μ,σ1²) + w2 * N(x|μ,σ2²)
    pdf1 = norm.pdf(data, loc=fixed_mean, scale=sigma1)
    pdf2 = norm.pdf(data, loc=fixed_mean, scale=sigma2)
    log_likelihood = np.log(w1 * pdf1 + w2 * pdf2).sum()
    return -log_likelihood  # minimize negative log-likelihood

# 示例数据（同原问题）
np.random.seed(42)
stdev_1, stdev_2 = 5, 30
data = np.concatenate([
    stdev_1 * np.random.randn(1000),
    stdev_2 * np.random.randn(1000)
])

# 初始值：接近真实参数的对数空间
init_params = [np.log(4), np.log(25), 0.0]  # logσ₁≈log4, logσ₂≈log25, w₁≈0.5

res = minimize(
    constrained_gmm_negloglik,
    x0=init_params,
    args=(data, 0.0),  # 固定均值为 0
    method='BFGS',
    options={'disp': True}
)

if res.success:
    est_log_sigma1, est_log_sigma2, est_logit_w1 = res.x
    est_sigma1 = np.exp(est_log_sigma1)
    est_sigma2 = np.exp(est_log_sigma2)
    est_w1 = 1 / (1 + np.exp(-est_logit_w1))
    print(f"Shared mean: 0.0")
    print(f"Estimated σ₁: {est_sigma1:.4f}, σ₂: {est_sigma2:.4f}")
    print(f"Estimated weights: [{est_w1:.4f}, {1-est_w1:.4f}]")
else:
    print("Optimization failed.")

? 关键优势与注意事项：