Python 如何获得GMM集群的非规范化职责？

我已经用sklearn训练了一个高斯混合模型，并且我正试图获得给定聚类均值和方差的数据点的非规范化责任

GMM.predict_probama

不幸地返回了标准化的概率，因此它们的总和为1，但我需要原始概率

我尝试了以下方法（GMM是适合的GM车型）：

但我得到的概率大于1

---

我做错了什么？

lpr

是高斯分量的对数概率。要转换为GMM的概率，应执行日志空间中的论文总数。下面的代码将对此进行解释

from sklearn.utils.extmath import logsumexp

lpr = (mixture.log_multivariate_normal_density(X, GMM.means_, GMM.covars_, GMM.covariance_type) + np.log(GMM.weights_)) # probabilities of components
logprob = logsumexp(lpr, axis=1) # logsum to get probability of GMM
probs = np.exp(logprob) # 0 < probs < 1 

从sklearn.utils.extmath导入logsumexp
lpr=（混合对数多元正态密度（X，GMM.means，GMM.covars，GMM.协方差类型）+np.log（GMM.weights），分量概率
logprob=logsumexp（lpr，axis=1）#logsum以获得GMM的概率
probs=np.exp（logprob）#0

请提供

X

和

GMM

的样本。您能告诉我如何在应用GMM时为每次迭代找到最大可能性吗。

from sklearn.utils.extmath import logsumexp

lpr = (mixture.log_multivariate_normal_density(X, GMM.means_, GMM.covars_, GMM.covariance_type) + np.log(GMM.weights_)) # probabilities of components
logprob = logsumexp(lpr, axis=1) # logsum to get probability of GMM
probs = np.exp(logprob) # 0 < probs < 1