简短的回答：您只需不使用GMM进行分类。
长答案...
从答案到相关主题，Multiclass classification using Gaussian Mixture Models with scikit learn（原文为重点）：
高斯混合物不是分类器。这是密度估算
方法，并期望其组成部分能够神奇地与
你的课不是一个好主意。 [...] GMM只是试图拟合高斯混合体
到您的数据中，但是没有任何强制性
根据标签（甚至没有在标签中提供）
呼叫）。这有时会起作用-但仅适用于琐碎的问题
问题，班级之间的间隔是如此之大，以至于朴素贝叶斯
通常可以使用，但是对于
问题。
以及受访者本人的评论（再次强调原文）：
如答案中所述-GMM 不是分类器，因此请问您是否
正确使用“ GMM分类器”是无法回答的。使用
GMM作为分类器在定义上是不正确的，没有“有效”
在不是这个模型的问题中使用它的方式
设计要做。您可以做的是建立一个适当的生成器
每个班级的模型。换句话说，构造您自己的分类器
您适合一个GMM 每个标签，然后使用分配的概率
实际分类。然后，这是一个适当的分类器。看到
github.com/scikit-learn/scikit-learn/pull/2468
（对于价值而言，您可能会注意到respondent是DeepMind的研究科学家，并且是第一个被授予machine-learning gold badge的人，网址为这样）
进一步详细说明（这就是为什么我没有简单地将问题标记为重复）：
在scikit-learn文档中确实有一个标题为GMM classification的帖子：
用于分类的高斯混合模型演示。
我想早在2017年，当上面的回复写出来的时候，就不存在了。但是，深入研究提供的代码，您将意识到GMM模型实际上是按照上面lejlot提出的方式在那里使用的；没有以classifier.fit(X_train,y_train)形式出现的没有语句-所有用法都以classifier.fit(X_train)的形式出现，即不使用实际标签。>
这正是我们希望从类似 clustering 的算法（实际上就是GMM所期望的），而不是分类器所期望的。再次，scikit-learn提供了在GMM fit method中提供标签的选项：
fit （（自我，X，y =无）
您在这里实际使用过的
（正如上面的回答所暗示的那样，也许在2017年还不存在），但是，鉴于我们对GMM及其用法的了解，目前尚不清楚该参数在哪里因为（并且，我可以说，scikit-learn在一些实践上占有一定的份额，这些实践从纯粹的 programming 角度来看似乎很明智，但是从 modeling 来看却毫无意义透视）。
最后一句话：尽管将随机种子（如评论中所建议的）固定为“工作”，但相信“分类器”可提供0.4到0.7之间的精度范围，具体取决于随机种子可以说不是一个好主意...
本文链接：https://www.f2er.com/3158293.html
