【基础还得练】Gaussian Mixture Model(高斯混合模型)

GMM 是 Gaussian Mixture Model(高斯混合模型) 的简称,它是一种用于数据聚类和概率密度估计的统计模型。GMM 假设数据分布是由多个高斯分布(正态分布)的加权组合构成的。

核心概念

  1. 混合模型

    GMM 是一种混合模型,表示总体分布是多个子分布的线性组合:
    p ( x ) = ∑ k = 1 K π k ⋅ N ( x ∣ μ k , Σ k ) , p(x) = \sum_{k=1}^{K} \pi_k \cdot \mathcal{N}(x \mid \mu_k, \Sigma_k), p(x)=k=1∑Kπk⋅N(x∣μk,Σk),

    其中:

    • K K K:混合分布的数量,即高斯分布的个数(称为"聚类的数量")。
    • π k \pi_k πk:每个高斯分布的权重,满足 ∑ k = 1 K π k = 1 \sum_{k=1}^{K} \pi_k = 1 ∑k=1Kπk=1。
    • N ( x ∣ μ k , Σ k ) \mathcal{N}(x \mid \mu_k, \Sigma_k) N(x∣μk,Σk):第 k k k 个高斯分布,其均值为 μ k \mu_k μk,协方差矩阵为 Σ k \Sigma_k Σk。
  2. 高斯分布(正态分布)

    每个高斯分布的概率密度函数为:
    N ( x ∣ μ , Σ ) = 1 ( 2 π ) d / 2 ∣ Σ ∣ 1 / 2 exp ⁡ ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) , \mathcal{N}(x \mid \mu, \Sigma) = \frac{1}{(2\pi)^{d/2} |\Sigma|^{1/2}} \exp\left(-\frac{1}{2}(x - \mu)^T \Sigma^{-1} (x - \mu)\right), N(x∣μ,Σ)=(2π)d/2∣Σ∣1/21exp(−21(x−μ)TΣ−1(x−μ)),

    其中 d d d 是数据的维度。

  3. 软聚类

    GMM 通过计算数据点属于每个高斯分布的概率(责任)来进行软聚类,而不像 K K K-means 那样是硬聚类。软聚类允许每个数据点同时属于多个簇,但以不同的概率。

GMM 的特点

  • 数据生成假设:假设数据是从多个高斯分布中按权重随机生成的。
  • 模型参数 :GMM 需要估计的参数包括:
    • 每个高斯分布的均值 μ k \mu_k μk;
    • 协方差矩阵 Σ k \Sigma_k Σk;
    • 权重 π k \pi_k πk。

模型训练

GMM 的参数通常使用 期望最大化算法(EM算法) 进行估计:

  1. E步(Expectation,期望):计算每个数据点属于每个高斯分布的责任。
  2. M步(Maximization,最大化) :根据责任重新估计模型参数( μ k , Σ k , π k \mu_k, \Sigma_k, \pi_k μk,Σk,πk)。
  3. 不断重复 E 步和 M 步,直到收敛。

应用场景

  • 聚类:通过 GMM 计算每个数据点的软聚类概率。
  • 概率密度估计:估计数据的概率密度函数。
  • 异常检测:通过计算数据点的概率,判断其是否为异常点。
  • 图像处理:例如图像分割。
  • 语音信号处理:例如语音建模和分类。

优势与局限性

优势

  • 能够捕捉复杂的分布形式。
  • 提供软聚类结果。
  • 支持多维数据。

局限性

  • 对初始参数敏感,可能收敛到局部最优解。
  • 高斯分布的假设可能不适合某些数据。
  • 需要指定聚类数量 K K K。
相关推荐
en-route7 分钟前
从零开始学神经网络——CNN(卷积神经网络)
人工智能·神经网络·cnn
Niuguangshuo9 分钟前
深度学习:池化(Pooling)
人工智能·深度学习
元基时代17 分钟前
专业的短视频发布矩阵哪家靠谱
大数据·人工智能·python·矩阵
腾讯数据架构师1 小时前
k8s 兼容摩尔线程
人工智能·云原生·容器·kubernetes·cube-studio
春末的南方城市1 小时前
AI视频生成进入多镜头叙事时代!字节发布 Waver 1.:一句话生成 10 秒 1080p 多风格视频,创作轻松“一键”达!
人工智能·深度学习·机器学习·计算机视觉·aigc
机器之心2 小时前
节前重磅:开源旗舰模型新SOTA,智谱GLM-4.6问世
人工智能·openai
肖书婷2 小时前
人工智能-机器学习day2
人工智能·机器学习
西猫雷婶2 小时前
pytorch基本运算-torch.normal()函数生成的随机数据添加噪声
人工智能·pytorch·python·深度学习·学习·线性代数·机器学习
He BianGu2 小时前
【项目】Vision Master OpenCV 3.0 版本(预)发行说明
人工智能·数码相机·opencv
无锡布里渊3 小时前
分布式光纤声波振动与AI的深度融合:开启智慧感知新时代
人工智能·温度监测·线性感温火灾监测·线型感温火灾探测器·光纤振动das·防外破·分布式光纤声波振动