机器学习-白板推导 P2_3
高斯分布的局限性
-
Σ
\Sigma
Σ参数个数为
p
(
p
+
1
)
2
=
O
(
p
2
)
\frac{p(p+1)}{2}=O(p^2)
2p(p+1)=O(p2),参数过多不利于学习
对 Σ \Sigma Σ做简化:
Σ \Sigma Σ->对角矩阵-> λ 1 = λ 2 = . . . = λ n \lambda_{1}=\lambda_{2}=...=\lambda_{n} λ1=λ2=...=λn->各向同性
如果 Σ \Sigma Σ为对角矩阵
[ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ λ p ] \begin{bmatrix} \lambda_{1} & 0 & \cdots & 0 \\ 0 & \lambda_{2} & \cdots&0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 &0 & \cdots &\lambda_{p} \end{bmatrix} ⎣⎢⎢⎢⎡λ10⋮00λ2⋮0⋯⋯⋱⋯00⋮λp⎦⎥⎥⎥⎤
图像如下:
如果: λ 1 = λ 2 = . . . = λ n \lambda_{1}=\lambda_{2}=...=\lambda_{n} λ1=λ2=...=λn
图像如下:
2.单个高斯模型某些时候无法拟合数据