Scikit-learn: Алгоритм EM в GMM не работает для одномерных наборов данных с использованием 0.16.1 (но нормально с 0.15.2)

Подгонка одномерного гауссовского распределения с помощью GMM.fit () вызывает ошибку времени выполнения с использованием scikit-learn версии 0.16.1, но дает соответствующие параметры с использованием 0.15.2.

Краткий пример, демонстрирующий проблему:

import sklearn
from sklearn import mixture
import numpy as np
from scipy import stats
import sys

# the version info 
print("Python version: %s.%s" %(sys.version_info.major, sys.version_info.minor))
print("scikit-learn version: %s" %(sklearn.__version__))

# some pretend data
np.random.seed(seed=0)
data = stats.norm.rvs(loc=100, scale=1, size=1000)
print("Data mean = %s, Data std dev = %s" %(np.mean(data), np.std(data)))

# Fitting using a GMM with a single component
clf = mixture.GMM(n_components=1)
clf.fit(data)
print(clf.means_, clf.weights_, clf.covars_)

Выполнение этого примера кода с помощью scikit-learn 0.15.2 дает правильный результат:

Python version: 3.4
scikit-learn version: 0.15.2
Data mean = 99.9547432925, Data std dev = 0.987033158669
[[ 99.95474329]] [ 1.] [[ 0.97523446]]

Однако точно такой же код, использующий scikit-learn 0.16.1, дает эту трассировку:

Python version: 3.4
scikit-learn version: 0.16.1
Data mean = 99.9547432925, Data std dev = 0.987033158669
/home/rebecca/anaconda/envs/new_sklearn/lib/python3.4/site-packages/numpy/lib/function_base.py:1890: RuntimeWarning: Degrees of freedom <= 0 for slice
  warnings.warn("Degrees of freedom <= 0 for slice", RuntimeWarning)
/home/rebecca/anaconda/envs/new_sklearn/lib/python3.4/site-packages/numpy/lib/function_base.py:1901: RuntimeWarning: invalid value encountered in true_divide
  return (dot(X, X.T.conj()) / fact).squeeze()
Traceback (most recent call last):
  File "test_sklearn.py", line 18, in <module>
    clf.fit(data)
  File "/home/rebecca/anaconda/envs/new_sklearn/lib/python3.4/site-packages/sklearn/mixture/gmm.py", line 498, in fit
    "(or increasing n_init) or check for degenerate data.")
RuntimeError: EM algorithm was never able to compute a valid likelihood given initial parameters. Try different init parameters (or increasing n_init) or check for degenerate data.

Я пробовал разные значения параметров n_init, n_iter и covariance_type. Я также пробовал ряд разных наборов данных. Все это приводит к этой или подобной ошибке при использовании 0.16.1, но при использовании 0.15.2 проблем не возникает. Проблема, похоже, связана с начальными параметрами, используемыми в максимальном ожидании, поэтому возможно, что это связано с этой проблемой: # 4429

Если это полезная информация, я использовал виртуальную среду anaconda с чистой установкой scikit-learn, настроенной следующим образом (для версии 0.16.1):

conda create -n new_sklearn python=3.4
source activate new_sklearn
conda install sklearn