EM算法 估计混合高斯模型参数 Python实现
来源:互联网 发布:火炮分类 知乎 编辑:程序博客网 时间:2024/04/26 11:54
EM算法 估计混合高斯模型参数 Python实现
EM算法是一种用来解决含有隐变量问题的算法,混合高斯模型中对于某个数据我们并不知道是来自于哪个模型,因此可以视为隐
变量,故可以采用隐含高斯模型来求解,混合高斯模型的具体推导可以参考《统计学习方法》9.3章节这里不给出详细的推导公式,其实就是参数的迭代,首先写出Q函数,然后再极大化Q函数得到迭代公式
输入数据:datain=[-64,-48,6,8,14,16,23,24,28,29,41,49,56,60,75]
这里假设数据来源于两个高斯模型的混合,算法目标是估计每个模型的权重、期望和方差
程序运行结果
上面直方图表示输入数据的频率,曲线图红色表示两个高斯模型叠加的概率分布
总结:迭代40次的时候,参数已经收敛
初值不同,运行得到的参数结果也不同,这也说明EM算法只能保证局部最优
对于参数初值的选择有不同的策略,常见的策略有:
1:选取正负实例的均值和方差
2:随机选取,大多数情况下是有效的,还可以多次选取,最后取拟合最好 的那组初值
3:Neal和Hinton等在论文中讨论了不同的初值选取策略
0 0
- EM算法 估计混合高斯模型参数 Python实现
- 最大似然估计,高斯分布,高斯混合模型,EM算法
- 采用EM算法求解高斯混合模型参数
- SKlearn库EM算法混合高斯模型参数说明及代码实现
- 机器学习Chapter3-(聚类分析)详解高斯混合模型与EM算法(Python实现)
- GMM混合高斯模型的EM算法及Python实现
- EM(期望最大算法)在高斯混合模型中的python实现
- 高斯混合模型(GMM)的EM算法实现
- 混合高斯模型和EM算法
- 高斯混合模型和EM算法
- EM算法_混合高斯模型
- EM算法与混合高斯模型
- EM算法求解高斯混合模型
- 高斯混合模型EM算法
- EM算法与混合高斯模型
- 高斯混合模型EM算法
- EM算法估计混合高斯分布的代码示例
- 数字图像处理成长之路15:前景提取(最大似然估计EM算法与高斯混合模型)
- Http状态码与常见问题出现的原因
- Varnish的部署与使用实例(内附一键安装部署脚本github链接)
- AngularJS基本知识
- Android基础再回首——四大组件之Activity、Service俩兄弟
- SAPUI5 (10) - XMLView
- EM算法 估计混合高斯模型参数 Python实现
- VS2015编译环境下CUDA安装配置
- javascript基本介绍
- card 驱动(二)读写速度
- 【计算机原理】计算机原理日常回顾总结
- 使用花生壳(内网穿透)服务搭建网站服务
- 微生物生殖
- SQL Server 2014数据库远程访问设置方法
- redis anet网络通信的源码分析