Regularisoitu Gaussinen sekoitusmalli
Regularisoitu Gaussinen sekoitusmalli (GMM) lisää pienen positiivisen vakion kuhunkin komponentin kovarianssimatriisin diagonaaliin Odotus-maksimointialgoritmin aikana, mikä estää singulaarisia tai lähes singulaarisia matriiseja, jotka aiheuttavat numeerisia virheitä, kun data on harvaa, korkeaulotteista tai sisältää lähes identtisiä havaintoja.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Fraley, C. & Raftery, A. E. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association, 97(458), 611–631. DOI: 10.1198/016214502760047131 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Gaussian Mixture Model (Covariance-Regularized EM Clustering). ScholarGate. https://scholargate.app/fi/machine-learning/regularized-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.
- Bayesiläinen Gaussinen sekoitusmalliKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
- Regularisoitu K-Means-klusterointiKoneoppiminen↔ compare
- Regularized k-Nearest NeighborsKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →