ScholarGate
Pembantu
Machine learningMachine learning

Model Campuran Gaussian Teguh

Model Campuran Gaussian Teguh menggantikan komponen Gaussian piawai dengan taburan yang lebih berekor tebal — paling lazimnya taburan t-Student — atau menggabungkan pemangkasan dan penurunan pemberat pencilan dalam rangka kerja EM. Hasilnya ialah kaedah pengelompokan probabilistik dan anggaran ketumpatan yang memberikan pengaruh yang lebih rendah kepada titik-titik yang benar-benar luar biasa pada parameter komponen, menghalang pencilan daripada mendistorsi bentuk atau kedudukan kelompok.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. 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
  2. Maronna, R. A., Martin, R. D. & Yohai, V. J. (2006). Robust Statistics: Theory and Methods. Wiley. ISBN: 978-0-470-01092-1

Cara memetik halaman ini

ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/ms/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.

Compare side by side
ScholarGateRobust Gaussian Mixture Model (Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/machine-learning/robust-gaussian-mixture-model · Set data: https://doi.org/10.5281/zenodo.20539026