简单理解:一维单高斯 多维单高斯 混合多高斯GMM

本文详细解释了一维单高斯、多维单高斯分布及其转换,以及高斯混合模型GMM的概念。通过公式推导,展示了高斯分布的性质和多维情况下的应用。GMM是多个高斯分布的加权和,常用于概率模型中,可以近似任意概率分布。
摘要由CSDN通过智能技术生成

强迫症超级严重,在学习中,又总是遇坑,弄不明白的地方就难受,不明白的必须要想明白,不然信不信能失眠到天亮,某人说的思维惯性真的是会冲到黎明的,我保证我能感同身受。
简单的高斯分布,全部理解清楚就花了我好久的时间,今天总算全部打通,记录我下我的理解。
遇到问题:对单高斯,混合单高斯,多维单高斯,等概念混淆,一直理解得乱糟糟,一不小心就混淆。
解决问题:由浅及深,从概念,到公式推导,最后全部理解清楚。

##单高斯

若随机变量X服从一个数学期望为 μ \mu μ,标准方差为 δ 2 \delta^2 δ2的高斯分布,记为:

N ∼ ( μ , ) δ 2 N\sim(\mu,)\delta^2 N(μ,)δ2。则气概率密度函数:

f ( x ) = 1 δ 2 π e − ( x − μ ) 2 2 δ 2 f(x)=\frac{1}{\delta\sqrt{2\pi}}e^{-\frac{ {(x-\mu)}^2}{2\delta^2}} f(x)=δ2π 1e2δ2(xμ)2

正太分布的期望值 μ \mu μ决定了其位置,标准方差 δ 2 \delta^2 δ2决定了其幅度。
标准正太分布是 μ = 0 \mu=0 μ=0 δ = 1 \delta=1 δ=1。如下图所示:

一维单高斯

##多维单高斯

那么问题来了,多维单高斯是如何由一维单高斯发展而来的呢?
首先我们一维正太分布单高斯可以表示如下:

p ( x ) = 1 2 π e x p ( − x 2 2 ) p(x)=\frac{1}{\sqrt{2\pi}}exp(-\frac{x^2}{2}) p(x)=2π 1exp(2

评论 16
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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