Model Campuran Gaussian Daring
Model Campuran Gaussian Daring mengadaptasi GMM klasik ke data streaming atau berskala besar dengan mengganti EM batch penuh dengan pembaruan inkremental — memproses satu observasi atau mini-batch pada satu waktu dan terus menerus menyempurnakan rata-rata komponen, kovarians, dan bobot pencampuran tanpa meninjau kembali seluruh kumpulan data.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Online Gaussian Mixture Model (Incremental / Streaming GMM). ScholarGate. https://scholargate.app/id/machine-learning/online-gaussian-mixture-model
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Model Campuran Gaussian BayesianPembelajaran Mesin↔ bandingkan
- Clustering K-meansPembelajaran Mesin↔ bandingkan
- K-means DaringPembelajaran Mesin↔ bandingkan
- Pembelajaran DaringPembelajaran Mesin↔ bandingkan
- Model Gaussian Campuran Semi-TerawasiPembelajaran Mesin↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →