The API
主要模型介绍
-
一般混合模型
-
隐马尔可夫模型
-
贝叶斯网络
-
贝叶斯分类器
所有模型使用做多的方法
model.log_probability(X) / model.probability(X)
model.sample()
model.fit(X, weights, inertia)
model.summarize(X, weights)
model.from_summaries(inertia)
model.predict(X)
model.predict_proba(X)
model.predict_log_proba(X)
model.from_samples(X, weights)
支持很多分布函数
单变量分布
1. UniformDistribution
2. BernoulliDistribution
3. NormalDistribution
4. LogNormalDistribution
5. ExponentialDistribution
6. BetaDistribution
7. GammaDistribution
8. DiscreteDistribution
9. PoissonDistribution
内核密度
1. GaussianKernelDensity
2. UniformKernelDensity
3. TriangleKernelDensity
多变量分布
1. IndependentComponentsDistribution
2. MultivariateGaussianDistribution
3. DirichletDistribution
4. ConditionalProbabilityTable
5. JointProbabilityTable
模型可以从已知值中创建
模型也可以从数据直接学习
pomegranate 比 numpy 快
只需要一次数据集（适用于所有模型）。以下是正态分布统计示例：
支持核心学习
由于使用了足够多的统计数据，因此可以支持外核/在线学习。
pomegranate 比 scipy 快
The API
主要模型介绍
-
一般混合模型
-
隐马尔可夫模型
-
贝叶斯网络
-
贝叶斯分类器
通用混合模型（GMM）可以对多组
分布进行建模
GMM使用期望最大化（EM）来拟合
1、使用kmeans ++或kmeans ||初始化集群
2、对于等于后P（M | D）（E步）的所有点分配权重
3、使用加权点更新分布（M步）
4、重复2和3，直到收敛
model = GeneralMixtureModel.from_samples(NormalDistribution, 2, X)
GMM不限于高斯分布
单个指数分布不能很好的数据进行建模
model = ExponentialDistribution.from_samples(X)
两个指数混合使数据更好的模拟
model = GeneralMixtureModel.from_samples(ExponentialDistribution, 2, X)
Heterogeneous mixtures are natively supported
model = GeneralMixtureModel.from_samples([ExponentialDistribution, UniformDistribution], 2, X)
一般混合模型比sklearn快
The API
主要模型介绍
-
一般混合模型
-
隐马尔可夫模型
-
贝叶斯网络
-
贝叶斯分类器
CG enrichment detection HMM
GACTACGACT
CGCGCTCGCGCGACGCGCTCG
ACATCATCGACACGACACTC
GMM-HMM
HMM比hmmlearn快
The API
主要模型介绍
-
一般混合模型
-
隐马尔可夫模型
-
贝叶斯网络
-
贝叶斯分类器
P(M|D)
=
P(D|M)
P(M)
/ P(D)
Posterior
=
Likelihood
*
Prior
/ Normalization
基于数据建立一个简单的分类器
似然函数本身忽略了类不平衡
先验概率可以模拟分
类不平衡
后验模型更真实地对原始数据进行建模
