我试图使用YellowBrick的KElbowVisualizer和SKLearn的期望最大化算法类GaussianMixture来可视化我的数据的肘部图。
当我运行这个时，我得到了标题中的错误。（我也尝试了ClassificationReport，但那也失败了）
model = GaussianMixture()data = get_data(data_name, preprocessor_name, train_split=0.75)X, y, x_test, y_test = datavisualizer = KElbowVisualizer(model, k=(4,12))visualizer.fit(X) # 将数据拟合到可视化器visualizer.show() # 最终化并渲染图形我在YellowBrick中找不到任何帮助我估计期望最大化模型的组件数量的方法。
回答：
Yellowbrick 使用sklearn估计器类型检查来确定模型是否适合可视化。你可以使用force_model 参数来绕过类型检查（尽管KElbow的文档似乎需要更新这一信息）。
然而，即使force_model=True能通过YellowbrickTypeError，这并不意味着GaussianMixture可以与KElbow一起工作。这是由于肘部可视化器是为与质心聚类API一起工作而设置的，并且需要n_clusters超参数和labels_学习参数。期望最大化模型不支持这个API。
然而，可以创建一个包装Gaussian混合模型的包装器，使其能够与肘部可视化器一起工作（也可以对分类报告使用类似的方法）。
from sklearn.base import ClusterMixinfrom sklearn.mixture import GaussianMixturefrom yellowbrick.cluster import KElbowfrom yellowbrick.datasets import load_nflclass GMClusters(GaussianMixture, ClusterMixin): def __init__(self, n_clusters=1, **kwargs): kwargs["n_components"] = n_clusters super(GMClusters, self).__init__(**kwargs) def fit(self, X): super(GMClusters, self).fit(X) self.labels_ = self.predict(X) return self X, _ = load_nfl()oz = KElbow(GMClusters(), k=(4,12), force_model=True)oz.fit(X)oz.show()这确实会生成一个KElbow图（尽管对于这个特定的数据集来说不是很好）：
另一个回答提到了Calinksi Harabasz分数，你可以像下面这样在KElbow可视化器中使用它：
oz = KElbow(GMClusters(), k=(4,12), metric='calinski_harabasz', force_model=True)oz.fit(X)oz.show()创建包装器并不是理想的解决方案，但对于不符合标准分类器或聚类器sklearn API的模型类型，它们往往是必要的，并且对于许多机器学习任务来说，这是一个很好的策略，值得掌握。
