erkennen separate Normalverteilungen in einem Datensatz

Question

Ein Modell, das ich konstruiert habe, produziert Ausgabe, die die Form von drei normalen Verteilungen annimmt.

import numpy as np 
d1 = [np.random.normal(2,.1) for _ in range(100)] 
d2 = [np.random.normal(2.5,.1) for _ in range(100)] 
d3 = [np.random.normal(3,.1) for _ in range(100)] 
sudo_model_output = d1 + d2 + d3 
np.random.shuffle(sudo_model_output) 

Was ist ein pythonic Weg, um die Normalverteilung Mittelwert und Standardabweichung bei jeder Normalverteilung zugeordnet zu finden? Ich kann eine Schätzung, wo die Verteilungen beginnen und enden, nicht fest codieren (~ 2,25 und 2,75 hier), da sich der Wert mit jeder Iteration meiner Simulation ändert.

Answer 1

angepasst ich die Passform aus: Fitting a histogram with python

from scipy.optimize import leastsq 
import numpy as np 
import matplotlib.pyplot as p 
%matplotlib inline 

d1 = [np.random.normal(2,.1) for _ in range(1000)] 
d2 = [np.random.normal(2.5,.1) for _ in range(1000)] 
d3 = [np.random.normal(3,.1) for _ in range(1000)] 
sum1 = d1 + d2 + d3 
bins=np.arange(0,4,0.01) 
a=np.histogram(sum1,bins=bins) 

fitfunc = lambda p, x: p[0]*exp(-0.5*((x-p[1])/p[2])**2) +\ 
     p[3]*exp(-0.5*((x-p[4])/p[5])**2) +\ 
     p[6]*exp(-0.5*((x-p[7])/p[8])**2) 

errfunc = lambda p, x, y: (y - fitfunc(p, x)) 

xdata,ydata=bins[:-1],a[0] 
p.plot(xdata,ydata) 

init = [40, 2.1, 0.1,40, 2.4, 0.1,40, 3.1, 0.1 ] 

out = leastsq(errfunc, init, args=(xdata, ydata)) 
c = out[0] 
print c 

Jetzt, fit ziemlich gut aussieht, aber ich kam ganz in der Nähe mit den inital Schätzwerte für die Amplitude, Mitte und Breite (init sehen) von diesen 9 Variablen. Wenn Sie wüssten, dass sie alle die gleiche Höhe oder Breite haben und daher die Anzahl der Variablen verringern könnten, würde es die Anpassung erleichtern.