高斯混合模型 (Gaussian Mixture Model, GMM) 算法详解与PyTorch实现
目录
- 高斯混合模型 (Gaussian Mixture Model, GMM) 算法详解与PyTorch实现
- 1. 高斯混合模型 (GMM) 算法概述
- 1.1 高斯分布
- 1.2 GMM的优势
- 2. GMM的核心技术
- 2.1 模型定义
- 2.2 参数估计
- 2.3 损失函数
- 3. PyTorch实现GMM
- 3.1 环境准备
- 3.2 PyTorch实现GMM
- 4. 案例一：聚类任务 - Iris数据集
- 4.1 数据集介绍
- 4.2 数据预处理
- 4.3 模型训练与评估
- 4.4 运行结果
- 5. 案例二：密度估计任务 - 数据集
- 5.1 数据集介绍
- 5.2 数据预处理
- 5.3 模型训练与评估
- 5.4 运行结果
- 总结
1. 高斯混合模型 (GMM) 算法概述
高斯混合模型（Gaussian Mixture Model, GMM）是一种概率模型，用于表示由多个高斯分布组成的混合分布。GMM广泛应用于聚类、密度估计和异常检测等任务。与K-Means等硬聚类算法不同，GMM是一种软聚类算法，能够为每个样本分配属于各个簇的概率。
1.1 高斯分布
高斯分布（正态分布）是统计学中最重要的分布之一，其概率密度函数为：
p ( x ∣ μ ,
