Jupyterでpythonコードを実行したときのエラーメッセージ(34, 'Result too large')

混合ガウス分布とEMアルゴリズムでの手書き文字(MNISTデータセット)のクラスタリングを実行しようとしました。
Jupyter notebookでpythonを書いたところ、エラーメッセージでreturn np.exp(-0.5 * exponents) / np.sqrt(np.linalg.det(self.covs.T).T * (2 * np.pi) ** self.ndim)
の部分で(34, 'Result too large')と表示され、オーバーフローによるエラーとわかったのですが、対処方法がわかりません。
よろしくお願いいたします。

以下コードです。

#MNISTデータセットをダウンロード
import numpy as np
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_mldata
mnist = fetch_mldata('MNIST original')

#MNISTの1~255の数字を1にする
_, mnist.data, _, y = train_test_split(mnist.data, y,test_size=0.29)
mnist_np = np.array(mnist.data)
x_0or1 = np.where(mnist_np >= 1,1, 0)

#アルゴリズムの設定
class GaussianMixture(object):
    
    def __init__(self,n_component):
        #ガウス分布の個数
        self.n_component = n_component
        
    #EMアルゴリズムを用いた最尤
    def fit(self,X,iter_max=10):
        #データの次元
        self.ndim = np.size(X,1)
        #混合係数の初期化
        self.weights = np.ones(self.n_component) / self.n_component
        #平均の初期化
        self.means = np.random.uniform(X.min(),X.max(),(self.ndim,self.n_component))
        #共分散行列の初期化
        self.covs = np.repeat(10*np.eye(self.ndim),self.n_component).reshape(self.ndim,self.ndim,self.n_component)
        #EステップのMステップを繰り返す
        for i in range(iter_max):
            params = np.hstack((self.weights.ravel(), self.means.ravel(), self.covs.ravel()))
            # Eステップ、負担率を計算
            resps = self.expectation(X)
            # Mステップ、パラメータを更新
            self.maximization(X, resps)
            # パラメータが収束したかを確認
            if np.allclose(params, np.hstack((self.weights.ravel(), self.means.ravel(), self.covs.ravel()))):
                break
            else:
                print("parameters may not have converged")

    # ガウス関数
    def gauss(self, X):
        precisions = np.linalg.inv(self.covs.T).T
        diffs = X[:, :, None] - self.means
        assert diffs.shape == (len(X), self.ndim, self.n_component)
        exponents = np.sum(np.einsum('nik,ijk->njk', diffs, precisions) * diffs, axis=1)
        assert exponents.shape == (len(X), self.n_component)
        return np.exp(-0.5 * exponents) / np.sqrt(np.linalg.det(self.covs.T).T * (2 * np.pi) ** self.ndim)

    # Eステップ
    def expectation(self, X):
        # PRML式(9.23)
        resps = self.weights * self.gauss(X)
        resps /= resps.sum(axis=-1, keepdims=True)
        return resps

    # Mステップ
    def maximization(self, X, resps):
        # PRML式(9.27)
        Nk = np.sum(resps, axis=0)

        # PRML式(9.26)
        self.weights = Nk / len(X)

        # PRML式(9.24)
        self.means = X.T.dot(resps) / Nk

        diffs = X[:, :, None] - self.means
        # PRML式(9.25)
        self.covs = np.einsum('nik,njk->ijk', diffs, diffs * np.expand_dims(resps, 1)) / Nk

    # 確率分布p(x)を計算
    def predict_proba(self, X):
        # PRML式(9.7)
        gauss = self.weights * self.gauss(X)
        return np.sum(gauss, axis=-1)

    # クラスタリング
    def classify(self, X):
        joint_prob = self.weights * self.gauss(X)
        return np.argmax(joint_prob, axis=1)

# MNISTデータセットを実装
def main():
    X = x_0or1

    n_component=10
    model = GaussianMixture(n_component)
    model.fit(X, iter_max=300)
    labels = model.classify(X)
    
    x_test, y_test = np.meshgrid(np.linspace(-10, 10, 100), np.linspace(-10, 10, 100))
    X_test = np.array([x_test, y_test]).reshape(2, -1).transpose()
    probs = model.predict_proba(X_test)
    Probs = probs.reshape(100, 100)
    cmap = plt.get_cmap("tab10") 
    plt.scatter(X[:, 0], X[:, 1], c=[cmap[int(label)] for label in labels])
    plt.contour(x_test, y_test, Probs)
    plt.show()
    
if __name__ == '__main__':
    main()