高斯混合模型（GMM）| 原理剖析 + 案例讲解 | 基于分布的聚类与建模工具

已完结

课程简介

高斯混合模型（GMM）是机器学习中经典的无监督聚类工具，本课程拆解其核心原理（聚类过程、参数拟合），结合 scikit-learn 实战，帮你快速掌握 GMM 在数据分析、统计建模中的应用，零基础也能上手。

章节目录

互动留言

1/4 高斯混合模型（GMM）算法初探

高斯混合模型（Gaussian Mixture Model，GMM）是一种基于概率的无监督学习模型，通过假设数据由多个高斯分布组成来进行数据建模，在机器学习、统计学和信号处理等领域有广泛的应用。 1. 基本理解假设：我们要分析一组组学生的期末考试成绩。经过分析，你发现这些学生的成绩大多数集中在一个范围内，比如大部分学生的成绩在 60 到 90 分之间，并且成绩都集中在平均分附近，离平均分越远的学... 查看完整内容

2/4 高斯混合模型（GMM）聚类过程

在本节课程中，我们将探讨高斯混合模型（GMM）如何对新数据进行聚类。即：当我们输入一条新的数据时，模型会基于先前学习到的各个高斯分布的参数来估计该数据属于每个类别的概率。接下来，我们将详细了解这一过程的具体步骤。 1. 原理当我们使用 GMM 进行数据聚类时，本质是估计新样本最有可能产自哪个高斯分布。首先，根据高斯分布的权重、重要性对新数据给出粗略的可能性估计（先验概率）然后，结合样本的高斯... 查看完整内容

3/4 高斯混合模型（GMM）拟合过程

GMM 假设数据是由多个高斯分布混合而成，接下来，我们将会探讨 GMM 是如何根据训练数据得到这些不同的高斯分布参数：均值向量：每个高斯分布的均值。协方差矩阵：描述每个高斯分布的形状和方向。混合系数：表示每个高斯分布在总体分布中的权重，总和为 1。估计高斯混合模型的参数，我们并不知道数据属于哪个分布，这是典型的包含隐藏变量的参数估计问题。对于这个问题可以使用期望最大化（EM）算法进行参数估... 查看完整内容

4/4 高斯混合模型（GMM）使用详解

scikit-learn 中 GaussianMixture 类是对高斯混合模型算法的实现，它包含了一些用于控制混合高斯模型（GMM）的初始化、训练方式和模型的其他设置。 1. 参数 1.1 基本参数 n_components：指定高斯混合模型中的高斯分布数量，也就是成分数。每个成分对应一个高斯分布，用来拟合数据的不同簇。 tol：这个设定的阈值就是判断收敛的标准。比如，设定值为 0.001，表示... 查看完整内容