Matlab gm.fit的问题

我正在尝试使用gm进行群集。我尝试了以下代码：

opts = statset('MaxIter', 300, 'Display', 'iter');

gm = gmdistribution.fit(braindata, nsegments, 'Regularize', 1e-6, 'Options', opts);

其中braindata是一个数据矩阵（体素*蛋白质，1478071*11），N片段是8

我得到了这个错误：

Error using gmdistribution.fit (line 136) The following column(s) of data are effectively constant: 6 7 8 9 10 11.

Error in reducedSegbrain_gmix (line 119) gm = gmdistribution.fit(braindata, nsegments, 'Regularize', 1e-6, 'Options', opts);

---

对此有什么解决办法吗？

对我来说，最好的选择是放弃该列。这在我的申请中是可以的，但可能不适合你

下面是

gmdistribution

类定义的位，用于检查该条件并产生错误：

        varX = var(X);
        I = find(varX < eps(max(varX))*n);
        if ~isempty(I)
            error('stats:gmdistribution:ZeroVariance',...
                'The following column(s) of data are effectively constant: %s.', num2str(I));
        end

varX=var（X）；
I=查找（varX

其中

X

是传递给

fit

方法的多变量数据。它的“有效零方差”测试是

eps

的组合，它是当前数据类型（如

uint8

或

double

）和数据行数可表示的最小差异的度量

因此，一种方法是重新实现该测试，并在

gmdistribution.fit

抛出错误之前对其进行处理。如果数据的方差很低，被认为是零，那么从中没有什么好处，因此丢弃该列并继续与剩下的列进行拟合也没有坏处

从示例的外观来看，这将是数据集的一半。这可能并不理想，但在多元分析中，发现变量子集包含大部分方差（cf Pareto）的情况并不少见。您可以先进行主成分分析，以丢弃gmm拟合之前的一些主成分分析，尽管上面的测试已经有效地做到了这一点

如果您必须包含这些列，那么您可以对它们进行其他处理以提高方差。首先，我要确保这些值存储在一个数据类型中，该数据类型具有足够的精度来表示它们，尽管这通常由MATLAB自动处理得相当好

如果这些低方差列的平均值与其他列有足够数量级的差异（注意，上述测试是相对于所有列的最大方差的

eps

），那么这将产生相对差异，您可以通过一些明智的归一化来减少相对差异

---

如果所有这些都失败了，那么你可能必须回到采集源，提高信噪比。如果那是一台MRI机器，那么我祝你好运……

你只有一个错误；第二行

Error

是调用堆栈的一部分，它告诉您在

reducedSegbrain\u gmix

中的何处找到了对

gmdistribution.fit的失败调用。