Python sklearn的高斯混合模型分类器精度不稳定

我有一些来自两个不同扬声器的数据（用于说话人识别的MFCC功能）。每个人13个特征的60个向量（总共120个）。它们每个都有自己的标签（0和1）。我需要在混乱矩阵上显示结果。但是sklearn的高斯混合模型是不稳定的。对于每个程序运行，我都会得到不同的分数（有时精度为0.4，有时为0.7…）。我不知道我做错了什么，因为类似地，我创建了SVM和k-NN模型，它们运行良好（精度稳定在0.9左右）。你知道我做错了什么吗

gmmclf=GaussianMixture（n_分量=2，协方差类型='diag'）
gmmclf.fit（X_列，y_列）#X_列是mfcc向量，y_列是标签
ygmm_pred_class=gmmclf.predict（X_检验）
打印（准确度评分（y检验，ygmm pred等级））
打印（混淆矩阵（y_测试，ygmm_pred_类））

简短回答：您应该简单地不要使用GMM进行分类

---

长长的回答

从相关线程的答案（在原文中强调）：

高斯混合不是分类器。这是一个密度估计 方法，并期望其组件将与 你的课不是个好主意。[…]GMM只是试图拟合高斯混合 你的数据，但没有什么强迫它放置它们 根据标签（fit中甚至没有提供标签 电话）。有时，这会起作用-但仅适用于琐碎的情况 问题，类之间的分隔非常好，即使是朴素的贝叶斯 将工作，但在一般情况下，它只是一个无效的工具 问题

以及受访者本人的评论（同样，在原文中强调）：

正如答案中所述-GMM不是一个分类器，因此询问您 正确使用“GMM分类器”是不可能回答的。使用 GMM作为分类器的定义是不正确的，没有“有效的” 在这样一个问题中使用它的方式，因为它不是这个模型是什么 设计来做的。你能做的就是建立一个适当的生成机制 每班一个型号。换句话说，构建你自己的分类器 您可以为每个标签安装一个GMM，然后使用指定的概率执行此操作 实际分类。那么它就是一个合适的分类器。看见

（不管它值多少钱，你可能会注意到，他是DeepMind的一位研究科学家，也是第一位获得机器学习奖的人）

为了进一步阐述（这就是为什么我没有简单地将问题标记为重复问题）：

的确，在scikit学习文档中有一篇文章标题为：

用于分类的高斯混合模型演示

我想这在2017年是不存在的，当时写了上述回复。但是，深入研究提供的代码，您会发现GMM模型实际上是按照上面lejlot提出的方式使用的；没有以

分类器的形式出现的语句。fit（X\u-train，y\u-train）

-所有的用法都是以

分类器的形式出现的。fit（X\u-train）

，即不使用实际的标签

这正是我们从类聚类算法（这确实是GMM）中所期望的，而不是从分类器中所期望的。scikit learn同样提供了一个选项，用于在以下位置提供标签：

fit

（self，X，y=None）

您在这里实际使用过（正如上面的回答所暗示的，2017年可能不存在），但是，鉴于我们对GMM及其使用的了解，不清楚该参数的用途（请允许我说，scikit learn在实践方面也有自己的贡献，这些实践从纯编程的角度看可能是合理的，但从建模的角度看却没有什么意义）

---

最后一句话：尽管修复随机种子（如评论中所建议的）可能看起来“有效”，但相信“分类器”根据随机种子给出的精度范围在0.4到0.7之间，这可以说是不是一个好主意…

在初始化

GaussianMixture

模型时，您是否尝试过通过传递

random_state

参数的值来修复种子？这样您应该总是得到相同的结果，但它可能会t不是最好的。谢谢你的帮助！我认为random_状态从默认设置为0。但是，如何修复此算法以确保精度是最好的？