将多条高斯曲线拟合成直方图的sklearn.mixture.GMM算法误差

Question

我使用sklearn.mixture.GMM将两条高斯曲线拟合成一组数据，然后用数据直方图覆盖它(dat扰动是2条高斯曲线的混合物)。

我的数据是浮点数的列表，下面是我使用的代码行：

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

如果我将n_components设置为1，则会得到以下错误：

“(或增加n_init)或检查退化数据。RuntimeError: EM算法无法计算给定初始参数的有效似然。尝试不同的init参数(或增加n_init)或检查是否有退化的数据.

如果我将n_components用于2，错误是：

(self.n_components，X.shape)) ValueError: GMM估计有2个分量，但只有1个样本，

对于第一个错误，我尝试更改GMM的所有init参数，但没有产生任何区别。

尝试了一组随机数，代码运行得非常好。我想不出这个问题可能是什么。

是否存在我忽略的实现问题？

谢谢你的帮助。

Answer 1

如果我对你的理解是正确的--你想要用高斯来为你提供数据分布，而且你每个元素只有一个特性。比你应该把你的向量重塑成一个列向量：

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

否则，如果您的listOffValues对应于一些曲线，您想要用几个高斯曲线来拟合它，那么您应该使用适合。请参阅Python的高斯拟合