网站制作知名 乐云践新专家,益阳营销网站建设,wordpress当前分类页面地址,找做废薄膜网站1. 定义和假设
定义#xff1a;probabilistic clustering#xff08;model-base#xff09; 假设#xff1a;数据服从正态分布
2. 算法内容
我们假设数据是由k个高斯#xff08;正态#xff09;分布混合生成的。每个分布有2个参数#xff1a;μ和σ。 一个分布对应一…1. 定义和假设
定义probabilistic clusteringmodel-base 假设数据服从正态分布
2. 算法内容
我们假设数据是由k个高斯正态分布混合生成的。每个分布有2个参数μ和σ。 一个分布对应一个集群 从u和o的随机初始值开始 在每次估计后我们计算每个例子属于每个分布簇的概率 利用概率我们重新计算参数直到它们不变。
案例
假设有20000个数据点两个高斯分布两个标准差都是2使用GMM聚类。
初始化均值方差。标准差限定了初始均值即可。随机初始化均值分别为-2和3根据贝叶斯计算概率 0.5 是每个分布的权重更新均值 新的均值是基于数据点的加权平均值计算的. 权重由每个数据点属于特定分布的概率决定迭代和收敛, 重复步骤2和步骤3, 直到μ不再产生变化或变化非常小, 数据点最终分配给概率更高的分布
3. 和K-Means对比
k-means: crisp(hard)-assignment GMM – probabilistic(soft assignment) GMM可以看作是k均值的泛化 GMM更灵活。允许椭圆的cluster而不是圆形
