scikit-learn 已弃用 GMM.eval() 替换
scikit-learn deprecated GMM.eval() replacement
scikit-learn 0.11 版 sklearn.mixture.GMM 下的 eval() 方法已弃用。最新版本0.19.2是否有类似的方法或解决方法？
从旧版 scikit-learn 的 docs 中，您可以阅读以下内容：
DEPRECATED: GMM.eval was renamed to GMM.score_samples in 0.14 and will
be removed in 0.16.
所以我认为你应该使用 score_samples()。
求值(X)
参数：
X: array_like, shape (n_samples, n_features) : n_features维数据点列表。每行对应一个数据点。
Returns :
logprob: array_like, shape (n_samples,) : X
中每个数据点的对数概率
职责：array_like，形状（n_samples，n_components）：
每个观察的每个混合成分的后验概率
显然，新定义中没有解决方法，它是相同且非常简洁的定义
当前获取职责的方法是predict_proba()
predict_proba():
Predict posterior probability of each component given the data.
现在你可能认为描述没有说责任。但这就是你需要的。
从 GMM 到 GaussianMixture class 的转变已在此处进行了彻底讨论：
- https://github.com/taborlab/FlowCal/issues/230
- https://github.com/scikit-learn/scikit-learn/wiki/GSoC-2015-Proposal:-Improve-GMM-module
这里描述了您需要的答案：
如作者在 this comment
中所述，您可能会看到一些不同的结果
The old one had a pretty strong regularization, the new one does not (by default).
您也可以查看源代码以验证这确实是 returns 职责。
scikit-learn 0.11 版 sklearn.mixture.GMM 下的 eval() 方法已弃用。最新版本0.19.2是否有类似的方法或解决方法？
从旧版 scikit-learn 的 docs 中，您可以阅读以下内容：
DEPRECATED: GMM.eval was renamed to GMM.score_samples in 0.14 and will be removed in 0.16.
所以我认为你应该使用 score_samples()。
求值(X)
参数：
X: array_like, shape (n_samples, n_features) : n_features维数据点列表。每行对应一个数据点。
Returns :
logprob: array_like, shape (n_samples,) : X
中每个数据点的对数概率职责：array_like，形状（n_samples，n_components）：
每个观察的每个混合成分的后验概率
显然，新定义中没有解决方法，它是相同且非常简洁的定义
当前获取职责的方法是predict_proba()
predict_proba(): Predict posterior probability of each component given the data.
现在你可能认为描述没有说责任。但这就是你需要的。
从 GMM 到 GaussianMixture class 的转变已在此处进行了彻底讨论：
- https://github.com/taborlab/FlowCal/issues/230
- https://github.com/scikit-learn/scikit-learn/wiki/GSoC-2015-Proposal:-Improve-GMM-module
这里描述了您需要的答案：
如作者在 this comment
中所述，您可能会看到一些不同的结果The old one had a pretty strong regularization, the new one does not (by default).
您也可以查看源代码以验证这确实是 returns 职责。