Python sklearn.mixed.GMM将多条高斯曲线拟合到直方图中，这是一个EM算法错误

我使用sklearn.mixed.GMM将两条高斯曲线拟合到一个数据数组中，然后将其与数据直方图叠加（dat Distribution是两条高斯曲线的混合）

我的数据是一个浮点数列表，下面是我使用的代码行：

clf = mixture.GMM(n_components=1, covariance_type='diag')
clf.fit(listOffValues)  

如果将n_components设置为1，则会出现以下错误：

“（或增加n_init）或检查退化数据。”） 运行时错误：EM算法在给定初始参数的情况下永远无法计算有效的似然。尝试不同的初始化参数（或增加n_init）或检查退化数据。

如果我将n_分量用于2，则会出现以下错误：

（self.n_组件，X.shape[0]）） ValueError:GMM估计有2个分量，但只得到1个样本。

对于第一个错误，我尝试更改GMM的所有init参数，但没有任何区别

尝试了一个随机数数组，代码运行得非常好。 我想不出可能是什么问题

是否存在我忽略的实现问题

---

谢谢您的帮助。

如果我理解正确，您希望使用高斯分布拟合数据分布，并且每个元素只有一个特征。然后，应将向量重塑为列向量：

listOffValues = np.reshape(listOffValues, (-1, 1))

---

否则，如果listOffValues对应于要用几个高斯拟合的某条曲线，则不应使用。如果我理解正确，请参见

——您希望用高斯分布拟合数据分布，并且每个元素只有一个特征。然后，应将向量重塑为列向量：

listOffValues = np.reshape(listOffValues, (-1, 1))

否则，如果listOffValues对应于要用几个高斯拟合的某条曲线，则不应使用。看