将参数统计建模方法（高斯混合建模 - GMM）与非参数统计建模方法（核密度估算 - KDE）进行比较，我想使用Akaike信息准则（AIC）来考虑参数化组件用于高斯混合建模。
Scikit-learn GaussianMixture类包含一个直接返回AIC的.aic（X）方法。 KernelDensity类不包含此方法。在编程算法时，我注意到GaussianMixture.score（X）方法对两个类都有不同的作用。
GaussianMixture.score(X) returns
log_likelihood：float
给出X的高斯混合的对数似然。
KernelDensity.score(X) returns:
logprob：float
X中数据的总对数似然。
虽然我的代码没有直接问题，但我想知道这是否是故意的，如果是的话，那个目的是什么。在我发现差异之前，它确实导致了最初的误导性结果，这就是为什么我把它放在stackoverflow上，以防其他人发现同样的问题。