高斯混合模型GMM

时间 2020-12-30

原文原文链接

使用概率模型的原因 k均值等价于假设了球对称形状的聚类。使用带权欧式距离，仍然假设了轴对齐的椭球。没有考虑聚类的形状。促使概率模型的原因：混合模型提供观测点到聚类的软分配soft assignment（分配包含不确定性）考虑了聚类的形状而不仅仅是中心允许从不同维度来学习权重高斯分布双变量高斯分步，协方差矩阵的主对角线决定了展度；副对角线决定朝向高斯混合模型 GMM估计的EM算法 GM

>>阅读原文<<

1. 高斯混合模型（GMM）
2. 高斯混合模型GMM
3. GMM(高斯混合模型)
4. 高斯混合模型（GMM） - 混合高斯回归（GMR）
5. 高斯混合模型推导【GMM】
6. 高斯混合模型 GMM —— 聚类
7. OpenCV——GMM混合高斯模型
8. 高斯混合模型--GMM（Gaussian Mixture Model）
9. 高斯混合模型(GMM--Gaussian mixture model)
10. Gaussian Mixture Model 高斯混合模型 GMM
更多相关文章...
• XSD 混合内容 - XML Schema 教程
• ASP.NET MVC - 模型 - ASP.NET 教程
• 委托模式
• Kotlin学习（二）基本类型