高斯分布模型
它计算量比较小,所以它可以计算大量特征的数据集,但是它不能捕捉到特征和特征之间的相关性,它可以通过将特征和特征进行组合的方式来解决,但是有些麻烦。
多元高斯分布模型
必须要保证协方差矩阵是可逆的。所以,样本数必须要远远大于样本的特征数,通过需要十倍的比例。另外,如果特征冗余的话,也有可能导致协方差矩阵是不可逆的。
它的计算量比较大,但是它能够自动捕捉特征和特征之间的相关性,这是它的优势所在。
所以,如果训练集不是太大,并且没有太多的特征,我们可以使用多元高斯分布模型。
它计算量比较小,所以它可以计算大量特征的数据集,但是它不能捕捉到特征和特征之间的相关性,它可以通过将特征和特征进行组合的方式来解决,但是有些麻烦。
必须要保证协方差矩阵是可逆的。所以,样本数必须要远远大于样本的特征数,通过需要十倍的比例。另外,如果特征冗余的话,也有可能导致协方差矩阵是不可逆的。
它的计算量比较大,但是它能够自动捕捉特征和特征之间的相关性,这是它的优势所在。
所以,如果训练集不是太大,并且没有太多的特征,我们可以使用多元高斯分布模型。