Online Gauss-keverék modell
Az Online Gauss-keverék modell (Online GMM) a klasszikus GMM-et adaptálja streamelt vagy nagyméretű adatokhoz azáltal, hogy a teljes kötegelt EM-algoritmust inkrementális frissítésekkel helyettesíti — egy megfigyelést vagy miniköteget dolgoz fel egyszerre, és folyamatosan finomítja a komponensátlagokat, kovarianciákat és súlyozott súlyokat anélkül, hogy az egész adatkészletet újra átnézné.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- Cappé, O. & Moulines, E. (2009). On-line expectation-maximization algorithm for latent data models. Journal of the Royal Statistical Society: Series B, 71(3), 593–613. DOI: 10.1111/j.1467-9868.2009.00698.x ↗
- Sato, M. & Ishii, S. (2000). On-line EM algorithm for the normalized Gaussian network. Neural Computation, 12(2), 407–432. DOI: 10.1162/089976600300015853 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Online Gaussian Mixture Model (Incremental / Streaming GMM). ScholarGate. https://scholargate.app/hu/machine-learning/online-gaussian-mixture-model
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Bayes-féle Gauss-keverék modellGépi tanulás↔ összehasonlítás
- K-means klaszterezésGépi tanulás↔ összehasonlítás
- Online K-meansGépi tanulás↔ összehasonlítás
- Online tanulásGépi tanulás↔ összehasonlítás
- Félfelügyelt Gauss-keverék modellGépi tanulás↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →