Machine learningMachine learning

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.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Ρόμπουστ Μοντέλο Μείγματος Κανονικών Κατανομών
Isolation ForestΟμαδοποίηση K-meansOne-Class SVMRobust k-meansΕισαγωγή στην Ανθεκτική…

Πηγές

  1. 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
  2. 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.

Compare side by side
ScholarGateRobust Gaussian Mixture Model (Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/robust-gaussian-mixture-model · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026