GMM passt am besten Modell

Question

Es gibt einen Teil in einem Gaussian Mixture Model (GMM) passen, die ich nicht verstehe. Ich würde gerne Ihre Vorschläge haben:

g = GMM(3, n_iter=1000, verbose=True, random_state=3) 
g.fit(WORK) 

np.random.seed(1) 
X = g.sample(1000) 

# fit models with 1-10 components 
N = np.arange(1, 11) 
models = [None for i in range(len(N))] 

for i in range(len(N)): 
    models[i] = GMM(N[i]).fit(X) 

Answer 1

Es wird eine Liste models von Anfällen mit der Annahme zu erzeugen, dass es jeweils i = 1,2, ..., 10 Komponenten in der Mischung, die wahrscheinlich mit der Absicht, das beste Modell unter ihnen auszuwählen.

Answer 2

Könnte jemand Punkt, warum schaffen wir eine GMM mit 3 Komponenten von der Arbeit, und dann Proben für ein besseres Modell aus der GMM ziehen

Ich habe vereinfacht würde diesen,

np.random.seed(1) #will ensure reproducibiity 
# fit models with 1-10 components 
N = np.arange(1, 11) 
models = [None for i in range(len(N))] 

#find the model with minimum aic score 
min_aic = np.inf 
model_index_with_min_aic = -1 
for i in range(len(N)): 
    models[i] = GMM(N[i], n_iter=1000).fit(WORK) 
    aic = models[i[.aic(WORK) 
    if aic < min_aic: 
     model_index_with_min_aic = i 
     min_aic = aic