ScholarGate
دستیار
Machine learning

مدل آمیخته گوسی

مدل آمیخته گوسی یک روش خوشه‌بندی احتمالی است که داده‌ها را به صورت یک آمیخته وزنی از چندین توزیع گوسی مدل‌سازی می‌کند و با الگوریتم بیشینه‌سازی-انتظار که توسط دمپستر، لیرد و رابین در سال ۱۹۷۷ فرموله شد، برازش می‌شود. این تعمیمی از K-means است که در آن هر خوشه می‌تواند شکل، اندازه و جهت‌گیری خاص خود را داشته باشد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیدریافت اسلایدها

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

نقشهٔ روش

همسایگی روش‌های مرتبط — برای کاوش، یک گره را برگزینید.

منابع

  1. Dempster, A.P., Laird, N.M. & Rubin, D.B. (1977). Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society: Series B, 39(1), 1–22. DOI: 10.1111/j.2517-6161.1977.tb01600.x

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 1). Gaussian Mixture Model (GMM Clustering). ScholarGate. https://scholargate.app/fa/machine-learning/gaussian-mixture

کدام روش؟

این روش را در کنار نزدیک‌ترین روش‌های خویشاوندش بگذارید و آن‌ها را کنار هم بخوانید — کتابخانه کتاب‌ها را روی میز می‌گشاید؛ انتخاب با شماست.

مقایسهٔ کنار هم

ارجاع‌شده در

ScholarGateGaussian Mixture Model (Gaussian Mixture Model (GMM Clustering)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/machine-learning/gaussian-mixture · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026