Exponenta Banner

Смешанные гауссовские модели

Кластер на основе Смешанных гауссовских моделей с использованием алгоритма Ожидания-Максимизации

Гауссовы смешанные модели (GMM) присваивают каждое наблюдение кластеру путем максимизации апостериорной вероятности того, что точка данных принадлежит назначенному кластеру. Создайте объект GMM gmdistribution подгонкой модели к данным (fitgmdist) или путем настройки значений параметров (gmdistribution). Затем используйте функции объекта для выполнения кластерного анализа (cluster, posterior, mahal), оценить модель (cdf, pdf) и генерировать случайные изменения (random).

Функции

расширить все

fitgmdistПодбор Смешанной гауссовской модели к данным
gmdistributionСоздайте Смешанную гауссовскую модель
cdfКумулятивная функция распределения для Гауссова распределения смеси
clusterСоздайте кластеры из Гауссова распределения смеси
mahalРасстояние Махаланобиса до Гауссова компонента смеси
pdfФункция плотности вероятностей для Гауссова распределения смеси
posteriorАпостериорная вероятность Гауссова компонента смеси
randomСлучайное изменение от Гауссова распределения смеси

Темы

Кластер с использованием смешанной гауссовской модели

Разбиение данных на кластеры с различными размерами и корреляционными структурами.

Кластерные данные смеси Гауссов с помощью жесткой кластеризации

Реализуйте жесткую кластеризацию на моделируемых данных из смеси Гауссовых распределений.

Кластерные данные Гауссовой смеси с использованием мягкой кластеризации

Реализуйте мягкую кластеризацию на моделируемых данных из смеси Гауссовых распределений.

Настройка Смешанных гауссовских моделей

Определите лучшую смешанную гауссовскую модель (GMM) подгонкой путем корректировки количества компонентов и ковариации матрицы компонента.

Statistics and Machine Learning Toolbox документация

Поддержка