Gaußsches Mischmodell
Ein Gaußsches Mischmodell (Gaussian Mixture Model, GMM) ist eine probabilistische Clustering-Methode, die die Daten als gewichtete Mischung mehrerer Gauß-Verteilungen modelliert, angepasst mit dem Erwartungsmaximierungsalgorithmus (Expectation–Maximization algorithm), der 1977 von Dempster, Laird & Rubin formalisiert wurde. Es ist eine Verallgemeinerung von K-Means, bei der jeder Cluster seine eigene Form, Größe und Ausrichtung annehmen kann.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Dempster, A.P., Laird, N.M. & Rubin, D.B. (1977). Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society: Series B, 39(1), 1–22. DOI: 10.1111/j.2517-6161.1977.tb01600.x ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Gaussian Mixture Model (GMM Clustering). ScholarGate. https://scholargate.app/de/machine-learning/gaussian-mixture
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DBSCANMaschinelles Lernen↔ compare
- Hierarchische ClusteranalyseMaschinelles Lernen↔ compare
- HauptkomponentenanalyseMaschinelles Lernen↔ compare
- UMAPMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →