Gaussian Mixture绘图报错及基于GMM的离群点提取问题咨询

你遇到的ValueError: min value must be less than or equal to max value报错，本质是CPH1920型号对应的数据分布和其他型号差异大，硬设的绘图参数不匹配该型号的数据范围：

• 你代码中levels=np.logspace(0, 3, 10)固定了等高线阈值范围是1~1000，同时LogNorm(vmax=500)固定了归一化的最大值为500，如果CPH1920对应的-Z数组最大值小于1，就会出现阈值下限高于数据最大值的矛盾，触发报错。
• 修复方法：
  • 先打印-Z的数值范围确认：print(-Z.min(), -Z.max())
  • 动态适配数据生成阈值：levels = np.logspace(np.log10(max(1e-3, -Z.min())), np.log10(-Z.max()), 10)
  • 移除固定的vmax参数，让归一化逻辑自动适配数据：norm=LogNorm()

紫色一般是等高线的最外层，对应最低的分布概率密度阈值，紫色圆圈外的点属于拟合高斯混合分布的概率极低的样本，常规场景下可以直接判定为离群点。

完全可以通过概率阈值筛选可用数据，核心逻辑和操作步骤如下：

• 逻辑纠正：GMM做离群检测的规则是「样本属于拟合分布的概率越低，越可能是离群点」，你提到的「概率大于0.5判定为离群点」逻辑反过来了，正确规则是低于设定阈值的样本判定为离群点。
• 操作步骤：
  1. 对每个型号单独拟合GMM后，调用score_samples方法得到每个样本的对数概率密度：log_probs = gmm.score_samples(model_df[['r_max', 'b_max']].values)
  2. 两种常用阈值设置方式：
     • 固定分位筛选：比如保留概率最高的95%样本，取对数概率的5分位数作为阈值：threshold = np.percentile(log_probs, 5)，小于该值的为离群点
     • 匹配等高线筛选：取最外层紫色等高线的level值作为阈值：threshold = -CS.levels[0]，小于该值的就是圆圈外的离群点
  3. 筛选代码示例：

  # 单型号数据筛选示例
  model_df = df[df['model'] == 'CPH1920'].copy()
  # 拟合GMM（n_components按你实际使用的数量设置即可）
  gmm = GaussianMixture(n_components=2, random_state=42)
  gmm.fit(model_df[['r_max', 'b_max']])
  # 计算所有样本的对数概率密度
  log_probs = gmm.score_samples(model_df[['r_max', 'b_max']])
  # 设定阈值，这里以保留95%非离群点为例
  threshold = np.percentile(log_probs, 5)
  # 筛选得到可用于后续EDA的干净数据
  clean_df = model_df[log_probs >= threshold].copy()
  # 提取识别到的离群点
  outlier_df = model_df[log_probs < threshold].copy()
  

• 补充说明：score_samples返回的是对数概率密度，不需要特意转换为0-1区间的概率，直接用对数概率的相对大小做筛选即可，不会影响结果准确性。

内容的提问来源于stack exchange，提问作者user16285826