- 博客(5)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 GMM实验
聚类实验代码： testGmm.m ——测试主函数function testGmm() X = generateData(); K = 2; gamma = gmm(X, K); %根据最大后验概率确定类别 [value,gamma_K] = max(gamma,[],2); % show result figure(3) idx1
2017-04-25 22:15:03
1337
原创 K-Means实验
实验一：聚类实验代码： testKMeans.m ——测试主函数function testKMeans() X = GenerateGaussianMixtureDataset(); K = 2; [gamma, centroids] = K_Means(X, K); % show result figure(3) idx1 = find(gamma
2017-04-25 21:38:54
2001
原创 EM算法（期望最大化）——从EM算法角度理解K-Means与GMM的区别
K-Means算法简介K-Means算法是一种常用的聚类算法，它认为由一组数据点构成的一个聚类中，聚类内部点之间的距离应该小于数据点与聚类外部的点之间的距离。假设我们有一组数据集{x1,...,xN}\{x_1,...,x_N\}，我们的目标是将数据集划分为KK个类别。为了解决这个问题，K-Means算法希望找到KK个聚类的中心{μk},k=1,...,K\{\mu_k\},k=1,...,K，同时
2017-04-25 16:34:38
13427
原创 EM算法（期望最大化）——应用：GMM
GMM模型简介GMM（Gaussian Mixture Model）也叫高斯混合模型。我们（1）可以把它看做是高斯分量的简单线性叠加，其目标是提供一种比单独的高斯分布（GSM，Gaussian Single Model）更为强大的概率模型；（2）也可以利用离散隐变量来描述GMM，并从EM算法层面给出GMM模型的一种优雅解法。 首先，给出高斯混合模型的概率公式（考虑单样本）： p(x|π,μ,Σ)
2017-04-24 22:20:11
2851
原创 EM算法（期望最大化）——理论部分
EM算法的目标EM算法是一种求解含有隐变量概率模型的最大似然解的方法。我们知道，当概率模型中含有隐变量时，其最大似然解是很难直接求解的。为什么很难直接求解呢？ 考虑一个概率模型，我们将所有的观测变量统称为XX，参数统称为θ\theta。我们的目标是求解似然函数p(X|θ)p(X|\theta)。假设该概率模型存在隐变量，统称为ZZ。所以，p(X|θ)=∑Zp(X,Z|θ)p(X|\theta)=\
2017-04-22 20:30:17
5215
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人