本篇目录：
高斯混合模型
根据百分位数，进行筛选数据。根据查阅百度资料显示，高斯混合模型聚类之后根据百分位数，进行筛选数据，比如筛选出分布较稀疏的前10%的密度点，假定异常率是10%。
高斯混合模型（GMM）是单高斯概率密度函数的延伸，就是用多个高斯概率密度函数（正态分布曲线）精确地量化变量分布，是将变量分布分解为若干基于高斯概率密度函数（正态分布曲线）分布的统计模型。
GMM模型即高斯混合模型。GMM（Gaussian Mixture Model），高斯混合模型（或者混合高斯模型），也可以简写为MOG（Mixture of Gaussian）。
高斯模型的原理
这个规律类似于电场中的高斯定理，因此也称为高斯定理 与静电场中的高斯定理相比较，两者有着本质上的区别。
高斯定理一：矢量分析的重要定理之一。穿过一封闭曲面的电通量与封闭曲面所包围的电荷量成正比。
高斯模型是一种常用的变量分布模型，又称正态分布，在数理统计领域有着广泛的应用。
高斯定理（Gauss law）也称为高斯通量理论（Gauss flux theorem），或称作散度定理、高斯散度定理、高斯－奥斯特罗格拉德斯基公式、奥氏定理或高－奥公式（通常情况的高斯定理都是指该定理，也有其它同名定理）。
对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以认为是图像灰度概率密度的估计。
高斯混合模型（Gaussian Mixed Model，GMM）也是常见的聚类算法。使用EM算法进行迭代计算。高斯混合模型假设了每个簇的数据符合正态分布（高斯分布），当前的数据分布就是各个簇的高斯分布叠加在一起。
高斯混合模型(GMM)
1、GMM模型即高斯混合模型。GMM（Gaussian Mixture Model），高斯混合模型（或者混合高斯模型），也可以简写为MOG（Mixture of Gaussian）。
2、高斯混合模型可以看作是由 K 个单高斯模型组合而成的模型，这 K 个子模型是混合模型的隐变量（Hidden variable）。
3、GMM (Gaussian Mixture Model， 高斯混合模型)是指该算法由多个高斯模型线性叠加混合而成。每个高斯模型称之为component。GMM算法 描述的是数据的本身存在的一种分布，即样本特征属性的分布，和预测值Y无关。
4、高斯混合模型(Gaussian Mixture Model)简称GMM，是一种业界广泛使用的聚类算法。它是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多种不同的分布的情况。
5、单高斯模型是指，数据集内分布的点，只有一个高斯分布即可覆盖。
6、这 个子模型是混合模型的隐变量（Hidden variable）。一般来说，一个混合模型可以使用任何概率分布，这里使用高斯混合模型是因为高斯分布具备很好的数学性质以及良好的计算性能。GMM是工业界使用最多的一种聚类算法。
高斯混合模型(GMM)及EM算法的初步理解
1、根据定义，我们可以理解为，GMM是多个高斯分布的加权和，并且权重α之和等于1。这里不难理解，因为GMM最终反映出的是一个概率，而整个模型的概率之和为1，所以权重之和即为1。高斯混合模型实则不难理解，接下来我们介绍GMM的训练(求解)方法。
2、GMM (Gaussian Mixture Model， 高斯混合模型)是指该算法由多个高斯模型线性叠加混合而成。每个高斯模型称之为component。GMM算法 描述的是数据的本身存在的一种分布，即样本特征属性的分布，和预测值Y无关。
3、高斯混合模型可以看作是由 K 个单高斯模型组合而成的模型，这 K 个子模型是混合模型的隐变量（Hidden variable）。
4、EM（Expectation Maximization）算法是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计，或极大后验估计。
到此，以上就是小编对于高斯混合模型算法步骤的问题就介绍到这了，希望介绍的几点解答对大家有用，有任何问题和不懂的，欢迎各位老师在评论区讨论，给我留言。
微信扫一扫打赏
