机器学习之高斯混合模型（一）GMM实战——根据身高体重进行人群聚类

最新推荐文章于 2024-04-19 10:23:42 发布

繁华三千东流水

最新推荐文章于 2024-04-19 10:23:42 发布

阅读量3.2k

点赞数 1

分类专栏：机器学习算法思想及代码实现文章标签：机器学习高斯混合模型 GMM算法

本文链接：https://blog.csdn.net/qq872890060/article/details/100030667

版权

高斯混合模型

高斯混合模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。
在统计学中，混合模型是用于表示总体群体中亚群体的存在的概率模型
高斯混合模型（Gaussian Mixture Model）为单一高斯概率密度函数的延伸，用多个高斯概率密度函数（正态分布曲线）精确地量化变量分布，是将变量分布分解为若干基于高斯概率密度函数（正态分布曲线）分布的统计模型。
应用：聚类：样本受到哪个高斯分布的作用大，就认为样本属于哪个高斯分布

比较KMeans

Kmeans是简单的，因为它是基于假设一个样本仅以1或0的概率属于某一簇，这两者之间的取值并没有考虑，他无法考虑中间的取值，即一个点仅以某个概率属于某个类别是不能计算的。
高斯混合模型不是简单的考虑欧式距离的问题，它是使用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物

数据如下

Sex	Height(cm)	Weight(kg)
0	156	50
0	160	60
0	162	54
0	162	55
0	160.5	56
0	160	53
0	158	55
0	164	60
0	165	50
0	166	55
0	158	47.5
0	161	49
0	169	55
0	161	46
0	160	45
0	167	44
0	155	49
0	154	57
0	172	52
0	155	56
0