Python sklearn.mixture.GaussianMixture 示例说明

混合物成分的数量。

说明要使用的协方差参数类型的字符串。必须是以下之一：

• ‘full’：每个分量都有自己的通用协方差矩阵。
• ‘tied’：所有组件共享相同的通用协方差矩阵。
• ‘diag’：每个分量都有自己的对角协方差矩阵。
• ‘spherical’：每个组件都有自己的单一方差。

收敛阈值。当下限平均增益低于此阈值时，EM 迭代将停止。

添加到协方差对角线上的非负正则化。允许确保协方差矩阵都是正数。

要执行的 EM 迭代次数。

要执行的初始化次数。保持最佳结果。

用于初始化权重、均值和精度的方法。必须是以下之一：

'kmeans' : responsibilities are initialized using kmeans.
'random' : responsibilities are initialized randomly.

用户提供的初始权重。如果为 None，则使用 init_params 方法初始化权重。

用户提供的初始均值，如果为无，则使用 init_params 方法初始化均值。

用户提供的初始精度(协方差矩阵的倒数)。如果为 None，则使用 ‘init_params’ 方法初始化精度。形状取决于‘covariance_type’：

(n_components,)                        if 'spherical',
(n_features, n_features)               if 'tied',
(n_components, n_features)             if 'diag',
(n_components, n_features, n_features) if 'full'

控制为选择初始化参数的方法提供的随机种子(请参阅init_params)。此外，它还控制拟合分布中随机样本的生成(参见方法sample)。跨多个函数调用传递一个 int 以实现可重现的输出。请参阅词汇表。

如果‘warm_start’ 为True，则最后一次拟合的解将用作fit() 的下一次调用的初始化。当在类似问题上多次调用 fit 时，这可以加快收敛速度。在这种情况下，‘n_init’ 将被忽略，并且在第一次调用时只发生一次初始化。请参阅词汇表。

启用详细输出。如果为 1，则打印当前初始化和每个迭代步骤。如果大于 1，那么它还会打印对数概率和每一步所需的时间。

下一次打印之前完成的迭代次数。