Python：如何计算分布的均方误差？

Question

我已经用数据拟合GMM数据，我想计算模型的均方误差，我该怎么做？

下面的代码生成数据

import numpy as np 
import matplotlib.pyplot as plt 
from matplotlib.colors import LogNorm 
from sklearn import mixture 
import matplotlib as mpl 

from matplotlib.patches import Ellipse 
%matplotlib inline 

n_samples = 300 

# generate random sample, two components 
np.random.seed(0) 
shifted_gaussian = np.random.randn(n_samples, 2) + np.array([20, 5]) 
sample= shifted_gaussian 

# fit a Gaussian Mixture Model with two components 
clf = mixture.GMM(n_components=2, covariance_type='full') 
clf.fit(sample) 

# Then how can I calculate the Mean square error of the fitted model? 

在我的思想，我可以首先生成kdensity功能，并为每sample观察，caluclate的kdensitity(x,y)-clf.score(x,y)。但我不确定这是否正确。

Answer 1

看看这里的文档：

http://scikit-learn.org/stable/modules/generated/sklearn.mixture.GaussianMixture.html

我想你可以尝试：

covariances = clf.fit(sample).covariances_ MSE = np.diag(covariances)

这会给你的拟合参数的协方差矩阵。然后矩阵的对角线值将给出拟合模型参数的均方差。

或者它可能是工作：

clf.fit(sample).get_params(deep=True)