Sağlam Gauss Karışım Modeli
Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants) · Ayrıca şöyle bilinir: Robust GMM, mixture of t-distributions, trimmed GMM, heavy-tailed mixture model
Sağlam Gauss Karışım Modeli, standart Gauss bileşenlerini daha ağır kuyruklu dağılımlarla (en yaygın olarak Student'ın t-dağılımları) değiştirir veya EM çerçevesi içinde aykırı değerlerin kırpılmasını ve ağırlıklarının azaltılmasını içerir. Sonuç, gerçekte aykırı olan noktalara bileşen parametreleri üzerindeki etkiyi daha az atayan, aykırı değerlerin küme şekillerini veya konumlarını bozmasını önleyen olasılıksal bir kümeleme ve yoğunluk tahmin yöntemidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli çok değişkenli verinin standart GMM küme şekillerini bozacak aykırı değerler veya ağır kuyruklu gürültü içermesini beklediğinizde veya sert atamalar yerine olasılıksal küme üyeliğine ihtiyaç duyduğunuzda Sağlam GMM'yi kullanın. Anomali tespiti, sensör verileri, finansal getiriler ve kontaminasyona eğilimli biyolojik ölçümler için uygundur. Keşifsel analiz veya alan bilgisi aykırı değer kontaminasyonu öngördüğünde standart GMM'ye tercih edin. Veriler sıralı, ikili veya tamamen kategorik olduğunda; eliptik küme varsayımının açıkça yanlış olduğu durumlarda (örneğin, halka şeklinde veya hilal şeklinde kümeler); veya n çok küçük olduğunda (bileşen başına serbest parametre sayısının kabaca 5-10 katından az) kullanmayın. Bileşen parametrelerinin yorumlanabilirliği kritikse ve aykırı değer yoksa, standart GMM daha basittir.
Güçlü yönler & sınırlılıklar
- Aykırı değerlere karşı dirençli: ağır kuyruklu bileşenler veya kırpma, anormal noktaların küme merkezlerini ve kovaryanslarını çekmesini önler.
- Yumuşak olasılıksal atamalar, k-means'in sert etiketlerinin aksine gerçek üyelik belirsizliğini yakalar.
- Serbestlik derecesi parametresi, çok sağlam (küçük df) ile standart Gauss (büyük df) arasında yumuşak bir süreklilik sağlar.
- BIC veya AIC aracılığıyla model seçimi, bileşen sayısının prensipli bir şekilde seçilmesine olanak tanır.
- Sınırsız kovaryans matrisleri aracılığıyla farklı boyutlarda, şekillerde ve yönelimlerde kümeleri modelleyebilir.
- Bileşen sayısı K belirtilmeli veya model karşılaştırmasıyla seçilmelidir, bu da birden çok modelin uyumunu gerektirir.
- EM yerel optimumlara yakınsayabilir; sonuçlar rastgele başlangıçlara göre farklılık gösterebilir.
- Eliptik (Gauss benzeri) küme şekillerini varsayar; halka şeklinde veya düzensiz eğimli kümeler için başarısız olur.
- Her E-adımında ek sağlamlık ağırlığı hesaplaması nedeniyle standart GMM'den hesaplama açısından daha ağırdır.
- Ön işleme olmadan ayrık veya kategorik özelliklerle başa çıkamaz.
SSS
Bileşen sayısını nasıl seçerim?
Bir dizi K değeri (örneğin, 1 ila 10) için modelleri uyarlayın ve K'yı Bayes Bilgi Kriteri (BIC) veya Akaike Bilgi Kriteri (AIC) ile seçin. BIC karmaşıklığı daha ağır cezalandırır ve daha tutumlu çözümleri tercih etme eğilimindedir.
t-karışımı için hangi serbestlik derecelerini ayarlamalıyım?
Serbestlik derecelerini diğer parametrelerle birlikte EM aracılığıyla tahmin edin, sabitlemek yerine. Çok küçük değerler (2-5) çok ağır kuyruklar ve yüksek sağlamlık üretir; büyük değerler (>30) Gauss'u yaklaştırır. Verilerin bunu belirlemesine izin vermek manuel ayarlamayı önler.
Sağlam GMM, aykırı değerlere toleranslı kümeleme için DBSCAN ile nasıl karşılaştırılır?
DBSCAN, keyfi şekilli kümeleri tespit eder ve aykırı değerleri açıkça etiketler, ancak olasılık tahminleri sağlamaz ve kümeler içinde yoğunluğun kabaca düzgün olmasını gerektirir. Sağlam GMM, eliptik kümeleri varsayar ve olasılıksal üyelikler döndürür; belirsizlik nicelemesi veya üretken bir model istediğinizde tercih edilir.
Sağlam GMM anomali tespiti için kullanılabilir mi?
Evet. Tüm bileşenler boyunca çok düşük maksimum arka olasılığa sahip noktalar veya tüm bileşen merkezlerinden yüksek Mahalanobis mesafeleri, aday anomalilerdir. Bu yaklaşım, basit mesafe eşiklerinden daha prensiplidir.
Uyum sağlamadan önce özellikleri standartlaştırmam gerekiyor mu?
Evet. E-adımında hesaplanan Mahalanobis mesafeleri özellik ölçeğine duyarlıdır. Tüm boyutların orantılı olarak katkıda bulunmasını sağlamak için uyum sağlamadan önce her sürekli özelliği sıfır ortalama ve birim varyansa standartlaştırın (veya özellik başına sağlam ölçekleyici kullanın).
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Gaussian Mixture Model (Heavy-Tailed and Trimmed Variants). ScholarGate. https://scholargate.app/tr/machine-learning/robust-gaussian-mixture-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- K-ortalama KümelemeMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Robust k-meansMakine öğrenmesi↔ karşılaştır
- Sağlam Doğrusal RegresyonMakine öğrenmesi↔ karşılaştır