我目前正在使用Scikit Learn，并且在尝试训练高斯HMM时遇到了以下问题：
文件“/Library/Python/2.7/site-packages/sklearn/hmm.py”，第443行，in fit
self._do_mstep(stats, self.params)文件“/Library/Python/2.7/site-packages/sklearn/hmm.py”，第798行，在_do_mstep中
super(GaussianHMM, self)._do_mstep(stats, params)文件“/Library/Python/2.7/site-packages/sklearn/hmm.py”，第580行，在_do_mstep中
np.maximum(self.startprob_prior - 1.0 + stats['start'], 1e-20))文件“/Library/Python/2.7/site-packages/sklearn/hmm.py”，第476行，在_set_startprob中
raise ValueError('startprob must sum to 1.0')ValueError：startprob必须总和为1.0
如果我消除了一些功能（每次观察少于13个功能），它仍然有效。我已检查所有输入是否有效，并且每个训练示例仅包含ndy.float64s的2d阵列。什么是错误的任何想法？ 谢谢！
答案 0 :(得分：3)
我通过将params属性设置为训练集中所有唯一值的集合来修复此问题。
param=set(train.ravel())
model=hmm.GaussianHMM(n_components=6, covariance_type="full", n_iter=100,params=param)
train是我用来拟合模型的numpy数组列表。
初始参数设置为所有ascii字符的字符串。
答案 1 :(得分：1)
我在使用GaussianHMM时遇到了同样的问题。我发现问题来自于我正在提供分类器整数值而它需要浮点值。当我意识到MultinomialHMM只接受连续值时，我尝试使用浮点数，并且它有效！
答案 2 :(得分：0)
我遇到了同样的问题。我可以通过调整模型的隐藏状态数来解决它。看来，根据可用数据和状态数量，模型无法正确拟合
答案 3 :(得分：0)
模型无法拟合数据。您可以通过它周围的一些代码来继续尝试。您可能需要添加一点以使其在x次尝试后停止。如果仍然无效，请更改隐藏状态的数量。
while True:
try:
model.fit([data])
break
答案 4 :(得分：0)