Regularized Gaussian Mixture Model
Ein regularisiertes Gaußsches Mischmodell (GMM) fügt während des Erwartungsmaximierungs-Algorithmus eine kleine positive Konstante zur Diagonalen jeder Kovarianzmatrix der Komponenten hinzu, um singuläre oder beinahe singuläre Matrizen zu verhindern, die zu numerischen Fehlern führen, wenn die Daten spärlich, hochdimensional sind oder nahezu duplizierte Beobachtungen enthalten.
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
- Fraley, C. & Raftery, A. E. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association, 97(458), 611–631. DOI: 10.1198/016214502760047131 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Gaussian Mixture Model (Covariance-Regularized EM Clustering). ScholarGate. https://scholargate.app/de/machine-learning/regularized-gaussian-mixture-model
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.
- Bayessches Gaußsches MischmodellMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Regularisierte K-Means-ClusterbildungMaschinelles Lernen↔ compare
- Regularized k-Nearest NeighborsMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →