我尝试从高斯混合模型中进行抽样。我有一个非常简单的例子，实际上只有一个成分（所以，实际上不是一个混合）。然后我用标准正态数据对其进行拟合。然而，该混合的权重对于一个混合成分来说最终大于1，导致错误：

import numpy as npfrom sklearn.mixture import GaussianMixturedataset = np.random.standard_normal(10).reshape(-1, 1)mixture = GaussianMixture(n_components=1)mixture.fit(dataset)mixture.sample(10)

ValueError: pvals < 0, pvals > 1 or pvals contains NaNs

显然，这由第一个成分的权重大于1引起：

> print(mixture.weights_[0])1.0000000000000002

这看起来像是一个bug。但也许是我在这里做错了什么？

回答：

尽管从技术上讲，这确实似乎是一个bug，但事实是，正如另一个答案中已经解释的那样，真正的原因是请求一个高斯混合模型的n_components=1从建模的角度来看是没有意义的；有人可能会争辩说，应该更早地引发一个异常（或者至少是一个警告），即每当请求GaussianMixture(n_components=1)时。我猜这可能是一个设计选择，但无论如何，这可能是scikit-learn Github仓库中作为可能的问题进行讨论的内容，而不是在这里。

话虽如此，这里有一个简单的解决方法：在n_components=1的特殊情况下，强制 mixture.weights_[0]等于1.0：

import numpy as npfrom sklearn.mixture import GaussianMixturedataset = np.random.standard_normal(10).reshape(-1, 1)mixture = GaussianMixture(n_components=1)mixture.fit(dataset)mixture.weights_[0]# 1.0000000000000002mixture.sample(10)# ValueError: pvals < 0, pvals > 1 or pvals contains NaNs# 强制权重为1.0:mixture.weights_[0] = 1.mixture.sample(10)# 结果:(array([[ 0.51371178],        [ 0.1530927 ],        [-0.56327362],        [-1.22308348],        [ 1.26889771],        [ 1.11849849],        [-1.47091749],        [-0.41259178],        [ 1.93872769],        [ 0.26282224]]), array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0]))

显然，这里不应该有任何理论上的担忧，因为根据定义，高斯混合中单个成分的权重是1.0；只是，正如另一个答案中所展示的，在可用的样本数量很少的情况下，GMM算法未能在可用的机器精度内给出恰好为1.0的权重。