Modelo Gaussiano de Mezclas Explicable
Un Modelo Gaussiano de Mezclas Explicable (X-GMM) aumenta el marco probabilístico clásico de agrupamiento GMM con mecanismos de transparencia — como puntuaciones de atribución de características, resúmenes a nivel de componente o estructuras de covarianza dispersas — para que los clústeres descubiertos y las estimaciones de densidad puedan ser comprendidos, comunicados y auditados por expertos humanos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective (Ch. 11 — Mixture Models). MIT Press. ISBN: 978-0-262-01802-9
- Gaussian mixture model. Wikipedia. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Gaussian Mixture Model (X-GMM). ScholarGate. https://scholargate.app/es/machine-learning/explainable-gaussian-mixture-model
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Agrupamiento K-MeansAprendizaje automático↔ comparar
- Análisis de clases latentes (LCA)Estadística↔ comparar
- Autoencoder VariacionalAprendizaje profundo↔ comparar
Citado por
Similar methods
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →