J'essaie d'utiliser sklearn.mixture.BayesianGaussianMixture pour adapter un ensemble de trajectoires. Chaque trajectoire consiste en un ensemble de points de données, par ex.sklearn BayesianGaussianMixture Affectation de cluster basée sur plus d'un point de données
t_i = {x_i1, y_i1, x_i2, y_i2, ... , x_iN, y_iN},
où t_i
est la trajectoire de la i-ième et (x_ik, y_ik)
est le point de k-th sur la trajectoire. Par exemple, x_ik pourrait représenter l'état d'un robot au pas de temps k, et y_ik pourrait représenter l'action du robot. Chaque composant GP sera un mappage de x_ik -> y_ik. C'est assez standard pour apprendre un GP en utilisant sklearn. Toutefois, lorsque vous souhaitez apprendre un modèle de mélange gaussien avec le processus Dirichlet avant, vous devez décider lorsqu'un nouveau composant GP sera ajouté.
La classe BayesianGaussianMixture vous fournit uniquement une interface pour l'affectation de cluster basée sur un seul point de données. En d'autres termes, si un nouveau point de données appartient à un nouveau cluster ou non. Ce qui m'intéresse, c'est que: Donner un ensemble de trajectoires, où chaque trajectoire peut contenir beaucoup de points de données. Y a-t-il un moyen de faire une assignation de cluster basée sur la trajectoire? C'est-à-dire, compte tenu d'une nouvelle trajectoire, décidez si elle appartient à un nouveau cluster ou non.
@MinChen Je pense que cela n'a pas beaucoup d'importance, du moins d'un point de vue théorique. Pratiquement, cela compliquera la procédure d'attribution d'étiquettes discrètes à chaque point de données. Je ne suis pas en mesure de donner des conseils ici, il faut plonger dans le problème lui-même. – CaptainTrunky
merci beaucoup. Il semble qu'il n'y a pas de moyen facile. –