sklearn.mixture.GMM将多条高斯曲线拟合成直方图，EM算法错误

Question

我使用sklearn.mixture.GMM将两条高斯曲线拟合到一个数据数组中，然后用数据直方图覆盖它（数据干扰是2条高斯曲线的混合）。

我的数据是浮点数列表，这是我正在使用的代码行：

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

如果我将n_components设置为1，我会收到以下错误：

＆＃34;（或增加n_init）或检查退化数据。＆＃34;） RuntimeError：EM算法从未能够在给定初始参数的情况下计算有效似然。尝试不同的init参数（或增加n_init）或检查退化数据。

如果我使用n_components到2则出现错误：

（self.n_components，X.shape [0]）） ValueError：使用2个组件进行GMM估算，但只获得1个样本。

对于第一个错误，我尝试更改GMM的所有初始化参数，但它没有任何区别。

尝试了一组随机数，代码工作正常。 我无法弄清楚可能出现的问题。

是否存在我忽视的实施问题？

感谢您的帮助。

Answer 1

如果我理解正确 - 您希望适合高斯人的数据分布，并且每个元素只有一个特征。比你应该将你的矢量重塑为一个列矢量：

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

否则，如果你的listOffValues对应于你想要与几个高斯拟合的曲线，那么你应该使用curve_fit。见Gaussian fit for Python