Смешанные гауссовские модели

Кластер на основе смешанных гауссовских моделей с помощью алгоритма Максимизации Ожидания

Смешанные гауссовские модели (GMMs) присваивают каждое наблюдение кластеру путем максимизации апостериорной вероятности, что точка данных принадлежит своему присвоенному кластеру. Создайте объект GMM gmdistribution путем подбирания модели к данным (fitgmdist) или настройкой значений параметров (gmdistribution). Затем используйте объектные функции, чтобы выполнить кластерный анализ (cluster, posterior, mahal), оцените модель (cdf, pdf), и сгенерируйте случайные варьируемые величины (random).

Функции

развернуть все

fitgmdistПодходящая смешанная гауссовская модель к данным
gmdistributionСоздайте смешанную гауссовскую модель
cdfКумулятивная функция распределения для Гауссова распределения смеси
clusterСоздайте кластеры из Гауссова распределения смеси
mahalРасстояние Mahalanobis до Гауссова компонента смеси
pdfФункция плотности вероятности для Гауссова распределения смеси
posteriorАпостериорная вероятность Гауссова компонента смеси
randomСлучайная варьируемая величина от Гауссова распределения смеси

Темы

Кластер Используя смешанную гауссовскую модель

Данные о разделе в кластеры с различными размерами и структурами корреляции.

Кластерные гауссовы данные о смеси Используя трудную кластеризацию

Реализация, трудно кластеризирующаяся на симулированных данных из смеси Распределений Гаусса.

Кластерные гауссовы данные о смеси Используя мягкую кластеризацию

Реализуйте мягкую кластеризацию на симулированных данных из смеси Распределений Гаусса.

Настройте смешанные гауссовские модели

Определите лучшую подгонку смешанной гауссовской модели (GMM) путем корректировки количества компонентов и структуры ковариационной матрицы компонента.

Для просмотра документации необходимо авторизоваться на сайте