标签：... 高斯 GMM 模型 pz1 Z1 高斯分布 变量

高斯混合模型（Gaussian Mixture model）

                                                                    来源：B站up主：shuhuai008，板书

问题：“高斯”？，“混合”？

可从两个角度理解

一、从几何角度看：高斯混合模型就是若干个高斯模型的“加权平均”。【个人理解：“混合”体现在高斯分布的叠加，也体现在“隐变量”和观测变量的引入】

公式目的其实就是求解xi的概率密度函数；

                                        混合高斯分布的公式

二、从“生成”/“混合”的角度看

      GMM模型的概率图表示，及相关概念示意图

Z是“隐变量”，X是观测变量，由隐变量生成观测变量的过程就是混合高斯模型的生成过程。X在概率图中用阴影表示可观测。N表示有N个样本{x1,x2...xN}，对应的也就有N个隐变量{Z1,Z2,...ZN}。Z1表示第一个样本的隐变量，Z1是一个离散的随机变量，Z1的概率密度函数如下图所示。p_z1(c1)=p₁₁，p_z1(c2)=p₁₂,...p_z1(ck)=p_1k；所以将p_z1简略表示成p_z1={p₁₁,p₁₂,...p_1k}个，找出pz1中最大的概率，假如max{p₁₁,p₁₂,...p_1k}=p₁₄，那么z1属于第4个高斯分布的概率最大，所以将Z1归入第四个高斯分布。其中c1,c2,...ck分别是各个高斯分布的中心点（和x1,...xN的向量维度相同，此处可类比聚类算法中的聚类中心）。

标签：...,高斯,GMM,模型,pz1,Z1,高斯分布,变量
来源： https://www.cnblogs.com/feynmania/p/13254222.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。