我试图在数据集data = [[x,y],...上实现期望最大化算法(高斯混合模型)... ]。我正在使用mv_norm.pdf(data, mean,cov)
函数来计算群集责任。但COV的后6-7次迭代计算协方差(COV矩阵)的新值之后,COV矩阵是变奇异即行列式为0(非常小的值),并且因此它给错误期望最大化算法(高斯混合模型):ValueError:输入矩阵必须是正半定的
ValueError: the input matrix must be positive semidefinite
和
raise np.linalg.LinAlgError('singular matrix')
有人可以为此提出任何解决方案吗?
#E-step: Compute cluster responsibilities, given cluster parameters
def calculate_cluster_responsibility(data,centroids,cov_m):
pdfmain=[[] for i in range(0,len(data))]
for i in range(0,len(data)):
sum1=0
pdfeach=[[] for m in range(0,len(centroids))]
pdfeach[0]=1/3.*mv_norm.pdf(data[i], mean=centroids[0],cov=[[cov_m[0][0][0],cov_m[0][0][1]],[cov_m[0][1][0],cov_m[0][1][1]]])
pdfeach[1]=1/3.*mv_norm.pdf(data[i], mean=centroids[1],cov=[[cov_m[1][0][0],cov_m[1][0][1]],[cov_m[1][1][0],cov_m[0][1][1]]])
pdfeach[2]=1/3.*mv_norm.pdf(data[i], mean=centroids[2],cov=[[cov_m[2][0][0],cov_m[2][0][1]],[cov_m[2][1][0],cov_m[2][1][1]]])
sum1+=pdfeach[0]+pdfeach[1]+pdfeach[2]
pdfeach[:] = [x/sum1 for x in pdfeach]
pdfmain[i]=pdfeach
global old_pdfmain
if old_pdfmain==pdfmain:
return
old_pdfmain=copy.deepcopy(pdfmain)
softcounts=[sum(i) for i in zip(*pdfmain)]
calculate_cluster_weights(data,centroids,pdfmain,soft counts)
最初,我通过[3,0],[0,3]每个集群的协方差,因为集群的预计数为3