EM算法之高斯混合模型(一)

这篇博客介绍了高斯混合模型(GMM)的概念,包括单个高斯模型、混合高斯模型及其参数估计。重点讲解了EM算法在GMM参数求解中的应用,阐述了E步和M步的迭代过程,并证明了EM算法的收敛性。
摘要由CSDN通过智能技术生成

单个高斯模型

如果我们有一堆数据,其分布属于一个高斯模型,那么有

p(X)=N(x|μ,Σ)=1(2π)m|Σ|exp[12(xμ)TΣ1(xμ)](1.1)

这样子的话,对于单个高斯,我们可以直接对其参数 μ Σ 进行求导,求出对应的参数。
那么现在有一堆数据,其分布如下所示,
这里写图片描述

那么我们需要用多个高斯对数据的分布进行描述。接下来我们看看多个高斯混合模型.

混合高斯模型

每个GMM由K个Gaussian分布组成,每个高斯分布(Gaussian)称为一个“Component”,这些Component 线性加成在一起就组成了 GMM 的概率密度函数:

p(x)=k=1Kp(k)p(x|k)=k=1KπkNk(x|μk,Σk)(2.1)

上式中 Kk=1πk=1 ,其中:
Nk(x|μk,Σk)=1(2π)m|Σk|exp[12(xμk)TΣ1k(xμk)](2.2)

这边我们的参数可以用 θ 来表示:
θ={ μ1,μ2...μk,Σ1,Σ2,...,Σk,π1,π2,...,πk}

这边的 πi 表示的是每个高斯分布对数据分布的权重, kiπi=1

那我们如何从分布中取一点吗?我们可以分成两步,首先 πk 的概率选择一个component(每个component就是一个聚类中心)&#x

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值