Machine learningMachine learning
Robust Gaussian Mixture Model
Robust Gaussian Mixture Model은 표준 정규 분포 성분을 꼬리가 두꺼운 분포(가장 흔하게는 Student's t-분포)로 대체하거나 EM 프레임워크 내에서 이상치(outlier)를 제거(trimming)하고 가중치를 줄이는(down-weighting) 방식을 통합합니다. 그 결과, 확률적 군집화 및 밀도 추정 방법이 되어 진정으로 특이한 점들에 대한 영향력을 줄여, 이상치가 군집의 모양이나 위치를 왜곡하는 것을 방지합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/ko/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 Forest머신러닝↔ compare
- K-means 군집화머신러닝↔ compare
- One-Class SVM머신러닝↔ compare
- 로버스트 k-평균머신러닝↔ compare
- 강건 선형 회귀머신러닝↔ compare