Inhaltsverzeichnis:
- Definition - Was bedeutet Gaussian Mixture Model (GMM)?
- Techopedia erklärt Gaussian Mixture Model (GMM)
Definition - Was bedeutet Gaussian Mixture Model (GMM)?
Ein Gaußsches Mischungsmodell (GMM) ist eine Kategorie eines probabilistischen Modells, das angibt, dass alle generierten Datenpunkte aus einer Mischung einer endlichen Gaußschen Verteilung ohne bekannte Parameter abgeleitet wurden. Die Parameter für Gaußsche Mischungsmodelle werden entweder aus einer nachträglichen Schätzung oder aus einem iterativen Erwartungsmaximierungsalgorithmus eines gut trainierten Vorgängermodells abgeleitet. Gaußsche Mischungsmodelle sind sehr nützlich, wenn es um die Modellierung von Daten geht, insbesondere von Daten, die aus mehreren Gruppen stammen.
Techopedia erklärt Gaussian Mixture Model (GMM)
Mathematisch gesehen sind Gaußsche Mischungsmodelle ein Beispiel für eine parametrische Wahrscheinlichkeitsdichtefunktion, die als gewichtete Summe aller Dichten von Gaußschen Komponenten dargestellt werden kann. Mit anderen Worten, die gewichtete Summe der Gaußschen Dichten der M-Komponente ist als Gaußsches Mischungsmodell bekannt, und sie ist mathematisch p (x | λ) = XM i = 1 wi g (x | µi, Σi), wobei M für bezeichnet ist Mischgewichte, x ist der stetig bewertete Datenvektor aus der D-Dimension und g (x | µi, Σi) ist die Komponente der Gaußschen Dichten. Ein Gaußsches Mischungsmodell besteht aus Kovarianzmatrizen, Mischungsgewichten und mittleren Vektoren aus jeder vorhandenen Komponentendichte. Dank der linearen Kombination der diagonalen Kovarianzbasis sind Gaußschen in der Lage, die Korrelationen von Merkmalsvektorelementen vollständig zu modellieren. Ein weiteres Merkmal des Gaußschen Mischungsmodells ist die Bildung glatter Näherungen an zufällig geformte Dichten.
Gaußsche Mischungsmodelle werden in biometrischen Systemen verwendet, bei denen das parametrische Modell zum Verständnis der Merkmale oder Messungen beiträgt, die mit solchen wie den spektralen Merkmalen des Stimmapparats zusammenhängen. Gaußsche Mischungsmodelle werden auch zur Dichteschätzung verwendet und gelten als die statistisch ausgereiftesten Techniken zur Clusterbildung.
