BryantDaiJB的博客

文章目录前言混合模型混合模型的一个例子混合模型的定义GMM高斯混合模型极大似然估计单高斯模型的极大似然估计高斯混合模型的极大似然估计EM算法求解高斯混合模型EM算法简述推导GMM的EM算法E-step的推导M-step的推导参考网址前言在分析数据集时，我们经常做出简化建模的假设，例如假设所有的样本都来自一个特定的分布（例如，高斯分布）。然后我们继续使用极大似然估计来估计这个分布的参数(比如均值和方差)。然而，在许多情况下，假设所有样本都来自相同的一个分布，限制性太强，因为通常我们试图建模的数据来源更复.

文章目录前言极大似然估计EMEMEM算法EMEMEM算法的步骤EMEMEM算法本质ELBOELBOELBO是什么坐标上升法EMEMEM：ELBOELBOELBO的坐标上升算法EMEMEM算法图示参考文献或网页前言EMEMEM算法是一种迭代优化算法，常用于具有隐变量的混合模型参数估计，在机器学习中有极为广泛的用途。说到参数估计，一般首先想到的是概率论上的极大似然估计，EMEMEM算法其实就是为了解决那些直接用极大似然函数求导无法解决的参数估计问题。极大似然估计假设现在有一个概率分布函数p(x∣θ)p.

前言LBPLBPLBP(Local Binary Patterns)算法是一种描述图像像素点与邻域各个像素点之间的灰度关系的局部关系的非参数算法，同时也是一种高效的纹理描述算法，纹理是物体表面的自然特性，它描述图像像素点与图像领域之间的灰度空间的分布关系[6]， LBPLBPLBP 最重要的特性是其对单调光照变化的容忍度及其计算简单性[4]。LBPLBPLBP 最初被提出用于纹理分析 [3]，并已被证明是一种描述局部结构的简单而强大的方法。基本的LBP算子原始LBP 算子最原始的 LBPLBPL.

Medoid Shift 算法medoid shift 算法相对于meanshift 算法的优点聚类期间执行的计算不必在出现新样本或某些现有样本时丢弃，因为mean shift 在计算mean 的时候每一个样本点都是从头到mode算一遍的。medoid shift不需要均值的定义，并且可以直接对距离矩阵进行操作，而不管样本分布在哪个原始空间中。mean shift 通常要把数据集的样本点映射到某个特征空间，而且距离定义一般都要是欧氏距离medoid shift消除了均值偏移中对启发式终止条件的需要

文章目录Mean shift 是什么Mean shift 算法的预备知识什么是特征什么是特征空间什么是核密度估计核函数的表示Mean shift 算法Mean shift算法的公式推导Mean shift算法的流程Mean shift算法图示Mean shift 算法应用Mean Shift 算法应用在聚类Mean Shift 算法图像分割参考文献Mean shift 是什么均值偏移（Mean shift）算法是在特征空间中应用核密度估计的爬山算法，其算法思想是假设不同簇类的数据集符合不同的概率密度分布