Включая зависимость от времени в модели гауссовой смеси / модель ожидания-максимизации?

Question

Я работаю над набором данных временного ряда и, следовательно, при подгонке GaussianMixture() функция от scikit-learn пакет, мне нужно сделать каждую функцию (метка времени) зависимой. Тем не менее, я не нашел параметр для настройки ковариационной матрицы после изучения исходного кода.

С моим ограниченным знанием статистики мне любопытно, как я могу изменить ковариационную матрицу во время электронного шага, чтобы включить зависимость от времени в модель GMM. Большое спасибо.

Вот исходный код: изменения, которые я хочу сделать, находятся в функции оценка_гасских_параметров () https://github.com/scikit-learn/scikit-learn/blob/7389dba/sklearn/mixture/gaussian_mixture.py

Answer 1

С помощью darksky я узнал, что функция встроена с опцией ковариационной матрицы. Параметр covariance_type имеет 4 параметра: "полный" (каждый компонент имеет собственную общую ковариационную матрицу), "связанный" (все компоненты имеют одинаковую общую ковариационную матрицу), "diag" (каждый компонент имеет свою собственную диагональную ковариационную матрицу), ' сферический "(каждый компонент имеет свою единственную дисперсию).

В моем понимании тогда "сферический" используется для одномерного набора данных, "diag" используется для наборов данных с многовариантными, но независимыми характеристиками. Следовательно, следует либо использовать "полный", либо "связанный", если они хотят прогнозировать многовариантные и зависимые признаки.