Robust Gaussian Mixture Model
Robust Gaussian Mixture Model korvaa standardit Gaussisen jakauman komponentit paksumpipiirteisillä jakaumilla – yleisimmin Studentin t-jakaumilla – tai sisällyttää poikkeamien karsimisen ja painoarvon pienentämisen EM-algoritmin (Expectation-Maximization) puitteissa. Tuloksena on todennäköisyyspohjainen klusterointi- ja tiheysestimointimenetelmä, joka antaa aidosti poikkeaville pisteille vähemmän vaikutusvaltaa komponenttien parametreihin, estäen poikkeamia vääristämästä klusterien muotoja tai sijainteja.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
- Maronna, R. A., Martin, R. D. & Yohai, V. J. (2006). Robust Statistics: Theory and Methods. Wiley. ISBN: 978-0-470-01092-1
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/fi/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.
- Isolation ForestKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
- Robust k-meansKoneoppiminen↔ compare
- Robust Linear RegressionKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →