sklearn.mixture.GMM將多條高斯曲線擬合到直方圖中，這是EM算法錯誤

Question

我正在使用sklearn.mixture.GMM將兩條高斯曲線擬合到數據數組，並因此將其與數據直方圖疊加（dat擾動是2條高斯曲線的混合）。

我的數據是浮點數列表，這是我正在使用的代碼行：

clf = mixture.GMM(n_components=1, covariance_type='diag')
clf.fit(listOffValues)  

如果我將n_components設置為1，則會出現以下錯誤：

“（（或增加n_init）或檢查退化數據。”）RuntimeError：EM算法永遠無法在給定初始參數的情況下計算出有效似然。 嘗試使用不同的init參數（或增加n_init）或檢查退化數據。

如果我使用n_components到2有錯誤是：

（self.n_components，X.shape [0]））ValueError：GMM估計有2個分量，但只有1個樣本。

對於第一個錯誤，我嘗試更改GMM的所有初始化參數，但沒有任何區別。

嘗試了一個隨機數數組，代碼運行正常。 我不知道可能是什么問題。

有我忽略的實施問題嗎？

謝謝您的幫助。

Answer 1

如果我對您的理解正確-您想使數據分布適合高斯，並且每個元素只有一個功能。 比您應該將向量重塑為列向量：

listOffValues = np.reshape(listOffValues, (-1, 1))

否則，如果您的listOffValues對應於您要用幾個高斯擬合的某些曲線，則應使用curve_fit 。 查看適合Python的高斯