EM算法实现对iris数据集和meat数据集的分类【MATLAB版本】

书中藏着宇宙

已于 2023-06-14 10:06:29 修改

阅读量680

点赞数

分类专栏： MATLAB 文章标签：算法分类机器学习

于 2023-06-06 17:18:02 首次发布

本文链接：https://blog.csdn.net/m0_49586319/article/details/131071928

版权

MATLAB 专栏收录该内容

14 篇文章 10 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本实验运用EM算法进行无监督学习，针对iris和meat数据集实现混合高斯模型的分类。通过最大似然估计和EM算法，即使在数据标签缺失的情况下，也能有效估计参数，完成分类任务。实验结果显示，EM算法在两类数据集上表现出一定的分类准确率。

摘要由CSDN通过智能技术生成

摘要：本章实验主要是对于学习 EM 算法的原理，掌握并实现混合高斯模型非监督学习的 EM 算法，要求在两个数据集上面实现混合高斯模型的非监督学习的ＥＭ算法。混合模型是相对于单高斯模型而言的，对于某个样本数据而言，可能单个高斯分布不能够很好的拟合其特征，而是由多个高斯模型混合加权而成（我们假设为Ｋ个），我们通过EM算法就可以求解出有未知参数情况的高斯模型的分布，进而完成无监督学习的分类任务。
关键字：混合高斯模型；EM算法；无监督学习。
Abstract: This chapter’s experiment aims to understand and implement the EM (Expectation Maximization) algorithm for unsupervised learning of the mixture Gaussian model. The EM algorithm is applied to two datasets to explore the application of the mixture Gaussian model in unsupervised learning. Compared to a single Gaussian model, the mixture model can better fit the features of sample data. The mixture model assumes that the sample data is a weig