实现高斯混合模型EM算法时遇AttributeError：实例无loglike属性

咱先直接点出问题根源：你自己定义的GaussianMixture类里完全没定义loglike这个属性，所以当你尝试访问它的时候，Python自然会抛出这个错误。

从你贴的代码片段来看，你的GaussianMixture初始化方法里只定义了data、one、two这几个属性，但对数似然（loglike）是需要我们自己手动添加并维护的——毕竟EM算法里我们通常会用它来监控模型的收敛情况。

下面给你具体的修复步骤，结合你的代码来调整：

1. 补全初始化时的关键属性 #

首先，你在__init__里的mix参数没被保存为实例属性，而且要初始化loglike：

import numpy as np
from scipy.stats import uniform  # 假设你用了这个来生成初始值

class GaussianMixture: 
    """Model mixture of two univariate Gaussians and their EM estimation""" 
    def __init__(self, data, mu_min=None, mu_max=None, sigma_min=.1, sigma_max=1, mix=.5): 
        self.data = np.array(data)  # 转成numpy数组方便后续计算
        # 处理mu的默认值，避免直接用min(data)/max(data)可能出现的问题
        if mu_min is None:
            mu_min = self.data.min()
        if mu_max is None:
            mu_max = self.data.max()
        # 初始化两个高斯分量
        self.one = Gaussian(uniform.rvs(mu_min, mu_max - mu_min), uniform.rvs(sigma_min, sigma_max - sigma_min))
        self.two = Gaussian(uniform.rvs(mu_min, mu_max - mu_min), uniform.rvs(sigma_min, sigma_max - sigma_min))
        # 保存混合比例
        self.mix = mix
        # 初始化对数似然
        self.loglike = self.calculate_loglike()

2. 添加计算对数似然的方法 #

在GaussianMixture类里新增一个方法，用来计算当前模型下的对数似然：

def calculate_loglike(self):
    # 计算每个数据点属于两个高斯分量的概率
    prob_one = self.mix * self.one.pdf(self.data)
    prob_two = (1 - self.mix) * self.two.pdf(self.data)
    # 避免log(0)的情况，加一个极小值
    total_prob = np.maximum(prob_one + prob_two, 1e-10)
    # 计算对数似然的总和
    return np.sum(np.log(total_prob))

3. 在EM迭代步骤中更新loglike #

假设你有一个执行EM迭代的方法，每次迭代后都要更新loglike，比如：

def em_step(self):
    # E步：计算后验概率（gamma值）
    prob_one = self.mix * self.one.pdf(self.data)
    prob_two = (1 - self.mix) * self.two.pdf(self.data)
    total_prob = np.maximum(prob_one + prob_two, 1e-10)
    gamma_one = prob_one / total_prob
    gamma_two = prob_two / total_prob

    # M步：更新高斯分量的参数和混合比例
    # 更新第一个高斯的mu和sigma
    sum_gamma_one = np.sum(gamma_one)
    new_mu_one = np.sum(gamma_one * self.data) / sum_gamma_one
    new_sigma_one = np.sqrt(np.sum(gamma_one * (self.data - new_mu_one)**2) / sum_gamma_one)
    # 更新第二个高斯的mu和sigma
    sum_gamma_two = np.sum(gamma_two)
    new_mu_two = np.sum(gamma_two * self.data) / sum_gamma_two
    new_sigma_two = np.sqrt(np.sum(gamma_two * (self.data - new_mu_two)**2) / sum_gamma_two)
    # 更新混合比例
    new_mix = sum_gamma_one / len(self.data)

    # 把新参数赋值给模型
    self.one.mu = new_mu_one
    self.one.sigma = new_sigma_one
    self.two.mu = new_mu_two
    self.two.sigma = new_sigma_two
    self.mix = new_mix

    # 关键：更新对数似然
    self.loglike = self.calculate_loglike()

4. 确保你的Gaussian类有pdf方法 #

别忘了你的Gaussian类需要实现概率密度函数（pdf），不然上面的代码会报错：

class Gaussian:
    def __init__(self, mu, sigma):
        self.mu = mu
        self.sigma = sigma

    def pdf(self, x):
        # 计算单变量高斯的概率密度
        coeff = 1 / (np.sqrt(2 * np.pi) * self.sigma)
        exponent = np.exp(-(x - self.mu)**2 / (2 * self.sigma**2))
        return coeff * exponent

做完这些修改后，你再创建GaussianMixture实例、执行EM迭代后，就可以正常访问instance.loglike属性了。

内容的提问来源于stack exchange，提问作者user37353