这篇博客记录了一次机器学习实验，通过Matlab2016a实现最大似然估计法来处理不同维数下的高斯概率密度模型。实验涉及一维、二维和三维数据，以及对类w1和w2的参数估计。在一维情况下，最大似然估计求得的均值是二维和三维均值的一个分量，而方差则不等价。在三维高斯模型中，如果模型是可分离的，协方差矩阵是对角的，且对角元素对应各特征的方差。
机器学习实验三，详情请参考《模式分类》第二版第三章课后上机练习3.2节
实验环境：
Matlab2016a
实验内容：
给定以下w1和w2的三维数据，考虑不同维数下的高斯概率密度模型：
（a）编写程序，对表格中的类w1中的3个特征，分别求解最大似然估计。
（b）修改程序，处理二维数据的情形。然后处理对表格中的类w1中的任意两个特征的组合（3种可能）。
（c）修改程序，处理三维数据的情形。然后处理表格中类w1中3个特征的组合。
（d）假设这个三维高斯模型是可分离的，即，写一个程序估计类别w2中均值和协方差矩阵的三个参数。
实验步骤：
在课本（模式分类第二版第三章）中，通过将似然函数最大化，我们可以得到以下针对高斯分布下的最大似然估计：
我们可以直接利用这俩公式来求每个特征的最大似然估计。对于（a
最低0.47元/天 解锁文章
扫一扫
1696
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
