scikit-learn/scikit-learn

Surprising result in BayesianGaussianMixture

Open

#8 632 ouverte le 22 mars 2017

Voir sur GitHub
 (12 commentaires) (2 réactions) (0 assignés)Python (27 020 forks)batch import
Bughelp wantedmodule:mixture

Métriques du dépôt

Stars
 (66 084 stars)
Métriques de merge PR
 (Merge moyen 10j) (90 PRs mergées en 30 j)

Description

I'm surprised by the results of BayesianGaussianMixture

from sklearn.mixture import BayesianGaussianMixture
from sklearn.datasets import make_blobs
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

rng = np.random.RandomState(3)
X, y = make_blobs(n_samples=500, centers=10, random_state=rng, cluster_std=[rng.gamma(1.5) for i in range(10)])

fig, axes = plt.subplots(2, 4)
gammas = np.logspace(-5, 5, 4)
for gamma, ax in zip(gammas, axes.T):
    bgmm = BayesianGaussianMixture(n_components=10, weight_concentration_prior=gamma).fit(X)
    ax[0].scatter(X[:, 0], X[:, 1], s=5, alpha=.6, c=plt.cm.Vega10(bgmm.predict(X)))
    ax[0].set_title("gamma={:.2f}".format(gamma))
    ax[1].bar(range(10), bgmm.weights_)

image

I'm changing gamma pretty drastically but the distribution of weights doesn't seem to change. Is that expected?

Guide contributeur

Direction de recherche
Étudiez l'implémentation de BayesianGaussianMixture dans scikit learn, en particulier le paramètre weight concentration prior. Le rapport du problème suggère que la modification de ce prior n'affecte pas la distribution des poids. Examinez la méthode fit dans sklearn/mixture/ bayesian mixture.py pour vérifier si le paramètre est correctement utilisé dans l'inférence variationnelle. Vérifiez l'exactitude de la documentation et considérez s'il s'agit d'un bogue légitime ou d'un comportement attendu en raison des contraintes du modèle. Il n'y a pas de PR liés ni de responsables, donc c'est ouvert à l'investigation.
Stack technique
python
Domaine
machine learningapi
Type d'issue
Bug
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
Une demi journée
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
Pythonscikit learn
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
45