Machine learning GMM中的负概率

我很困惑。我通过以下MATLAB代码为自己测试了一个程序：

feature_train=[1 1 2 1.2 1 1 700 709 708 699 678]; 
No_of_Clusters = 2;
No_of_Iterations = 10;
[m,v,w]=gaussmix(feature_train,[],No_of_Iterations,No_of_Clusters);

feature_ubm=[1000 1001 1002 1002 1000 1060 70 79 78 99 78 23 32 33 23 22 30]; 
No_of_Clusters = 3;
No_of_Iterations = 10;
[mubm,vubm,wubm]=gaussmix(feature_ubm,[],No_of_Iterations,No_of_Clusters);


feature_test=[2 2 2.2 3 1 600 650 750 800 658];
[lp_train,rp,kh,kp]=gaussmixp(feature_test,m,v,w);  
[lp_ubm,rp,kh,kp]=gaussmixp(feature_test,mubm,vubm,wubm);  

然而，结果让我感到奇怪，因为特性测试必须分类在特性序列中，而不是特性ubm中。正如您在下面看到的，特征ubm的概率大于特征列车！？！ 谁能给我解释一下是什么问题吗？ 问题是否与gaussmip和gaussmix MATLAB函数有关

sum(lp_ubm)

ans=

-3.4108e+06

总和（lp_列车）

ans=

-1.8658e+05

正如您在下面看到的，特征ubm的概率大于特征列车

你看到的恰恰相反，尽管ubm的绝对值很大，但你考虑的是负数和

 sum(lp_train) > sum(lp_ubm)

母鸡

---

因此，您的测试块被正确分类为train，而不是ubm。

感谢您的回复。即使我把特征列而不是特征列精确地放在测试中，总和（lp列）变成-10.1083！？！为什么？-10与-1e+5相比是非常好的对数概率。它非常接近于最佳可能对数概率0，对应于原始概率1。所以它可以检测到精确的匹配。感谢您的帮助和指导。

 P(test|train) > P(test|ubm)