Ρόμπουστ Μοντέλο Μείγματος Κανονικών Κατανομών
Το Ρόμπουστ Μοντέλο Μείγματος Κανονικών Κατανομών (Robust Gaussian Mixture Model) αντικαθιστά τις τυπικές συνιστώσες Gaussian με κατανομές βαρύτερης ουράς — συνηθέστερα κατανομές t του Student — ή ενσωματώνει περικοπή (trimming) και μείωση βάρους (down-weighting) των ακραίων τιμών εντός του πλαισίου EM. Το αποτέλεσμα είναι μια μέθοδος πιθανοτικής ομαδοποίησης και εκτίμησης πυκνότητας που αποδίδει στις πραγματικά ανώμαλες τιμές μικρότερη επιρροή στις παραμέτρους των συνιστωσών, αποτρέποντας τις ακραίες τιμές από το να παραμορφώσουν τα σχήματα ή τις θέσεις των συστάδων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/el/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 ForestΜηχανική Μάθηση↔ compare
- Ομαδοποίηση K-meansΜηχανική Μάθηση↔ compare
- One-Class SVMΜηχανική Μάθηση↔ compare
- Robust k-meansΜηχανική Μάθηση↔ compare
- Εισαγωγή στην Ανθεκτική Γραμμική ΠαλινδρόμησηΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →