本文探讨了高斯混合模型、t分布模型和因子分析模型的共同点与区别，包括它们作为正态分布的加权和或积分的本质，以及各自的特性和应用。深入解析了混合模型、因子分析和t分布的组合，如混合因子分析（MoFA）、混合t分布（鲁棒混合模型）和鲁棒子空间模型等，并讨论了这些模型如何应对多峰、异常值及参数利用的优势。
共同点
三者都是一组正态分布的加权和或积分。
区别
- 高斯混合： K K K个不同均值，不同方差，高斯分布加权和
- t分布：相同均值，不同方差，正态分布积分。鲁棒性强于高斯混合
- 因子分析模型：不同均值，相同对角协方差，正态分布积分。是一个高斯线性模型
组合
- 混合模型+因子分析：混合因子分析（MoFA）。即因子分析的加权和形式
- 混合模型+t分布：混合t分布（或鲁棒混合模型）
- t分布+因子分析：鲁棒子空间模型。该模型易受异常值影响
- 混合模型+t分布+因子分析：混合鲁棒子空间模型
- 优势有三：多峰、鲁棒、充分利用参数
- 密度函数为
P ( x ) = ∑ k = 1 K λ k S t ( x ∣ μ k , Φ k Φ k T + Σ k , ν k ) P(x) = \sum_{k=1}^K \lambda_k St(x|\bm \mu_k, \bm\Phi_k \bm\Phi_k^T+ \bm\Sigma_k, \nu_k) P(x)=k=1∑K
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
