Exponenta Banner
exponenta event banner

Модели гауссовой смеси

Кластер на основе гауссовых моделей смесей с использованием алгоритма ожидания-максимизации

Модели гауссовой смеси (GMM) присваивают каждое наблюдение кластеру, максимизируя заднюю вероятность того, что точка данных принадлежит его назначенному кластеру. Создание объекта GMM gmdistribution подгонкой модели к данным (fitgmdistили путем указания значений параметров (gmdistribution). Затем используйте функции объекта для выполнения кластерного анализа (cluster, posterior, mahal), оценить модель (cdf, pdf) и генерировать случайные вариации (random).

Функции

развернуть все

fitgmdistСоответствие модели смеси Гаусса данным
gmdistributionСоздание модели смеси Гаусса
cdfКумулятивная функция распределения гауссовой смеси
clusterПостроить кластеры из гауссова распределения смеси
mahalРасстояние Махаланобиса до гауссова компонента смеси
pdfФункция плотности вероятности для распределения гауссовой смеси
posteriorЗадняя вероятность гауссова компонента смеси
randomСлучайная вариация из распределения гауссовой смеси

Темы

Кластер с использованием гауссовой модели смеси

Разбить данные на кластеры с различными размерами и корреляционными структурами.

Кластерная гауссова смесь данных с использованием жесткой кластеризации

Реализация жесткой кластеризации на моделируемых данных из смеси гауссовых распределений.

Кластерная гауссова смесь данных с использованием мягкой кластеризации

Реализация мягкой кластеризации на моделируемых данных из смеси гауссовых распределений.

Tune Gaussian Модели смесей

Определите наилучшую модель смеси Гаусса (GMM) путем корректировки количества компонентов и структуры ковариационной матрицы компонента.

Документация по инструментам для статистического и машинного обучения

Поддержка