ScholarGate
Assistente
Machine learningMachine learning

Modelo Gaussiano Robusto de Mistura

O Modelo Gaussiano Robusto de Mistura substitui os componentes Gaussianos padrão por distribuições de caudas mais pesadas — mais comumente distribuições t de Student — ou incorpora a eliminação (trimming) e a redução de peso de valores atípicos (outliers) dentro do framework EM. O resultado é um método probabilístico de agrupamento e estimação de densidade que atribui menor influência a pontos genuinamente anômalos nos parâmetros dos componentes, impedindo que outliers distorçam as formas ou posições dos clusters.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

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

Fontes

  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

Como citar esta página

ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/pt/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)). Recuperado em 2026-06-15 de https://scholargate.app/pt/machine-learning/robust-gaussian-mixture-model · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026