Robustes Gaußsches Mischmodell
Das robuste Gaußsche Mischmodell ersetzt die Standard-Gaußkomponenten durch Verteilungen mit schwereren Rändern – am häufigsten Student's t-Verteilungen – oder integriert das Trimmen und Herabstufen von Ausreißern in das EM-Framework. Das Ergebnis ist eine probabilistische Cluster- und Dichteschätzmethode, die echten anomalen Punkten weniger Einfluss auf die Komponentenparameter zuweist und so verhindert, dass Ausreißer Clusterformen oder -positionen verzerren.
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
- Peel, D. & McLachlan, G. J. (2000). Robust mixture modelling using the t distribution. Statistics and Computing, 10(4), 339–348. DOI: 10.1023/A:1008981510081 ↗
- Maronna, R. A., Martin, R. D. & Yohai, V. J. (2006). Robust Statistics: Theory and Methods. Wiley. ISBN: 978-0-470-01092-1
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/de/machine-learning/robust-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.
- Isolation ForestMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Robuster k-MeansMaschinelles Lernen↔ compare
- Robuste Lineare RegressionMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →