Tiešsaistes Gausa maisījuma modelis
Tiešsaistes Gausa maisījuma modelis pielāgo klasisko GMM straumējošiem vai liela mēroga datiem, aizstājot pilno partiju EM ar inkrementāliem atjauninājumiem — apstrādājot vienu novērojumu vai mini-partiju vienlaicīgi un nepārtraukti precizējot komponentu vidējos, kovariācijas un maisīšanas svarus, neatkārtoti izskatot visu datu kopu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Gaussian Mixture Model (Incremental / Streaming GMM). ScholarGate. https://scholargate.app/lv/machine-learning/online-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.
- Beiziešu Gausa maisījuma modelisMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Tiešsaistes K-meansMašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Pusuzraudzības Gausa maisījuma modelisMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →