本文深入探讨了高斯混合模型(GMM)及其在处理复杂数据分布中的应用，并详细介绍了期望最大化(EM)算法，一种用于估计混合模型参数的强大工具。通过实例分析，展示了EM算法如何解决具有隐变量的混合模型参数估计问题。
小白一枚，接触到GMM和EM，现将学习到的整理出来，如有错误，欢迎指正，文中涉及到公式的推导比较繁琐，故先在纸上推导出来再拍照发出来。希望大家多多交流，共同进步。接下来将按照思路一步一步进行介绍。
1. 单高斯模型GSM（一维）
单高斯模型很简单，大家也很清楚，这里不做过多的解释，如不明白可自行百度。如图
概率密度函数为：
2.单高斯模型（多维，以二维为例）
二维高斯分布图像如下
关于二维高斯分布的参数设定对为高斯曲面的影响，可以参考这篇文章（二维高斯分布的参数分析）
（以上两条是基础，为了下面做铺垫，接下来我将通过例子引出高斯混合模型。）
3.高斯混合模型（GMM）
为什
最低0.47元/天 解锁文章
扫一扫
31万+
到【灌水乐园】发言
