模式识别学习笔记（3）——高斯概率密度

最新推荐文章于 2024-08-21 21:56:17 发布
最新推荐文章于 2024-08-21 21:56:17 发布
阅读量6.2k 收藏 13
点赞数 3
分类专栏： 学习笔记 文章标签： 模式识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/carol__deng/article/details/79051439
版权
这篇学习笔记探讨了模式识别中的概率密度估计方法，特别是高斯概率密度函数的应用。内容包括参数法和半参数法的介绍，如GM模型和期望最大化算法。还讨论了马氏距离和白化变换的概念，以及它们在高斯分布中的作用。线性判别函数的三种情况也有所提及，并指出贝叶斯决策的理论错误率是研究中的一个重要基准。
摘要由CSDN通过智能技术生成

概率密度估计方法


参数法：只需将均值和协方差矩阵保存下来，就可知道其分布。

半参数法：GM通过解析求解；期望最大化是极大似然估计的特例，多次迭代才能求得

高斯密度函数

牢记密度函数公式！！！



把协方差矩阵对角化，即将其变为对角矩阵，除主对角线上的元素外其余元素全为0.

最低0.47元/天 解锁文章
Carol__Deng
关注
专栏目录
高斯概率密度函数
林景的博客
09-18 3万+
正态分布及其性质回顾 1. 单变量正态分布 单变量正态分布概率密度函数定义为： ρ(x)=12πσe−12(x−μσ)2(1) \rho(x)=\frac{1}{\sqrt{2\pi \sigma}} e^{-\frac{1}{2} (\frac{x- \mu}{\sigma})^2} \tag 1 ρ(x)=2πσ​1​e−21​(σx−μ​)2(1) 式中μ\muμ为随机变量xxx的期望，σ2\sigma^2σ2为xxx的方差，σ\sigmaσ称为标准差。 μ=E(x)=∫−∞∞xρ(x)dx(2) \
高斯分布（Gaussian Distribution）的概率密度函数（probability density function）
03-27 9435
高斯分布（Gaussian Distribution）的概率密度函数（probability density function） 对应于numpy中： numpy.random.normal(loc=0.0, scale=1.0, size=None) 参数的意义为： loc：float 此概率分布的均值（对应着整个分布的中心centre） scale：f...
高斯分布与概率密度函数
最新发布
qq_43016560的博客
08-21 989
本文主要介绍了均值、方差、标准差，概率密度函数，高斯分布的定义、性质及应用场景。对认识和理解高斯分布（正态分布）有很大帮助。
机器学习——概率分类(三)高斯概率密度与混合高斯模型
hei653779919的博客
02-10 5659
机器学习——概率分类(三)高斯概率密度与混合高斯模型 在之前的文章机器学习——概率分类(一)朴素贝叶斯模型一文中，我们主要介绍了机器学习中的概率分类问题。我们提出了简单的朴素贝叶斯模型来进行概率密度的估计。在本篇文章中，我们主要介绍概率密度估计的第二种方法——高斯密度估计。 1 高斯概率密度原理 1.1 高斯概率密度引入 首先，我们假设样本X符合的是高斯分布，当X的维度是一维的时候，其符合的概率分...
高斯概率密度函数曲线
03-08
此程序通过描述高斯概率密度函数，并实现简单的应用
零碎的知识点（一）：高斯分布以及概率密度函数（Python）（持续更新）
xzs1210652636的博客
07-29 1万+
高斯分布以及概率密度函数（Python）（持续更新）前言一、高斯分布二、概率密度函数 前言 项目上需要用到高斯分布、正太分布以及概率密度函数。我对这部分知识点产生了一些疑问，上网查资料发现很少有人在我这个点产生疑问（？？？可能是我太蠢了吧哈哈哈哈哈），所以我整理了一下自己看一看，如果后续有补充的会不断更新。 一、高斯分布 高斯分布究竟是个啥东西，网上介绍的人都介绍烂了，这里就不再赘述了。这里展示一下它的函数： f(x)=12Πσ2e−(x−μ)22σ2 f(x) = \frac{1}{\sqrt{2Πσ
模式识别学习笔记——判别函数和高斯分布
V.O.N的学习记录
10-14 1087
关于高斯分布的一些知识，强烈推荐B站白板推导机器学习系列。我的ML作业好多都是跟着UP主学的_(:з)∠)_ 判别函数  看到判别函数，我的第一反应是想起来上学期花了好久才有一点明白的“生成模型”和“判别模型”。 个人理解：生成模型旨在找出样本遵循的分布信息（感觉还是想逼近真正的分布），要对样本进行研究。然后利用学到的分布信息，对新的样本进行分类。判别模型更像是制作一种数学机器，用于分类，然后用样本来调整这台机器的参数，让它在某种指标下尽可能最优，实际上并不会关心这些样本到底是呈一种怎样的分布。  .
模式识别学习笔记（9）——非参数方法
Carol__Deng的博客
01-15 938
非参数概率密度估计 概率：特征空间中一定区域内样本的比率。 密度：局部区域内概率的平均值（假设局部区域【体积为V，样本数为k】内等概率密度） pn（x）表示对p（x）的第n次估计 非参数概率密度估计 parzen window：固定局部区域体积V，k变化 k-nearest neighbor：固定局部样
模式识别学习笔记（2）——贝叶斯决策
Carol__Deng的博客
01-13 1165
贝叶斯决策理论 生成模型：一个类别一个类别进行训练 判别模型：将多个类别的样本放在一起分析训练 参数模型 非参数模型：无函数形式 半参数：多个高斯函数混合而成，可表示任意分布的密度函数 最小错误率决策 基于先验概率决策，则最小错误率决策为 基于后验概率决策，则最小错误率决策为 极大似然法 最小风险决策 决策代价（Loss）：真实
机器学习笔记 - 什么是高斯混合模型(GMM)？
热门推荐
学以致用 知行合一
05-21 4万+
高斯混合模型 (GMM) 是一种机器学习算法。它们用于根据概率分布将数据分类为不同的类别。高斯混合模型可用于许多不同的领域，包括金融、营销等等！这里要对高斯混合模型进行介绍以及真实世界的示例、它们的作用以及何时应该使用GMM。 高斯混合模型 (GMM) 是一个概率概念，用于对真实世界的数据集进行建模。GMM是高斯分布的泛化，可用于表示可聚类为多个高斯分布的任何数据集。 高斯混合模型是一种概率模型，它假设所有数据点都是从具有未知参数的...
多变量高斯概率密度函数
10-23
这个matlab文件是通过计算均值和协方差矩阵的多变量高斯概率密度函数
python高斯分布概率密度函数的使用详解
09-19
今天小编就为大家分享一篇python高斯分布概率密度函数的使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
np.random.normal()正态分布
qiqiaiairen的博客
09-11 3万+
高斯分布的概率密度函数                numpy中 numpy.random.normal(loc=0.0, scale=1.0, size=None)参数的意义为： loc:float 概率分布的均值，对应着整个分布的中心center scale:float 概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高 size:int
概率统计笔记：高斯分布的联合概率密度
qq_40206371的博客
11-04 2040
1 符号说明 我们的目的是求的概率 2 求p(y) 不难发现，y与x的关系为线性高斯模型，则yy与x符合下述关系 于是可以得到y的分布 3 求p(z) 我们现在的目标就是求这个▲是什么 参考资料：机器学习-白板推导系列笔记（二）-数学基础_scu-liu的博客-CSDN博客 ...
高斯分布（正态分布）详解
qq_37346140的博客
08-23 2万+
高斯分布的概念详解以及通俗易懂解释、实际应用等。
ML实验：高斯概率密度模型
哩嘤的博客
03-27 812
考虑不同维数下的高斯概率密度模型。
多维高斯概率密度函数估计
七秒钟的记忆
02-02 5251
这里记录简略的证明，具体矩阵求导过程，以后再记录
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值