Gaussin seosjakaumamalli
Gaussin seosjakaumamalli (Gaussian Mixture Model, GMM) on probabilistinen klusterointimenetelmä, joka mallintaa dataa useiden Gaussin jakaumien painotettuna seoksena. Malli sovitetaan Dempsterin, Hairdin ja Rubinin vuonna 1977 formalisoimalla Expectation–Maximization (EM) -algoritmilla. Se on K-keskiarvoistuksen yleistys, jossa jokainen klusteri voi saada oman muotonsa, kokonsa ja suuntansa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Gaussian Mixture Model (GMM Clustering). ScholarGate. https://scholargate.app/fi/machine-learning/gaussian-mixture
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.
- DBSCANKoneoppiminen↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- UMAPKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →