Índice:
- Definição - O que significa o Modelo de Mistura Gaussiana (GMM)?
- Techopedia explica o Modelo de Mistura Gaussiano (GMM)
Definição - O que significa o Modelo de Mistura Gaussiana (GMM)?
Um modelo de mistura gaussiana (GMM) é uma categoria de modelo probabilístico que afirma que todos os pontos de dados gerados são derivados de uma mistura de distribuições gaussianas finitas que não possui parâmetros conhecidos. Os parâmetros para os modelos de mistura gaussiana são derivados da estimativa a posteriori máxima ou de um algoritmo iterativo de maximização de expectativa de um modelo anterior bem treinado. Os modelos de mistura gaussiana são muito úteis quando se trata de modelar dados, especialmente dados provenientes de vários grupos.
Techopedia explica o Modelo de Mistura Gaussiano (GMM)
Matematicamente, os modelos de mistura gaussiana são um exemplo de uma função paramétrica de densidade de probabilidade, que pode ser representada como uma soma ponderada de todas as densidades de componentes gaussianos. Em outras palavras, a soma ponderada das densidades gaussianas do componente M é conhecida como modelo de mistura gaussiana e matematicamente é p (x | λ) = XM i = 1 wi g (x | µi, Σi), onde M é indicado para pesos de mistura, x é o vetor de dados de valor contínuo da dimensão D e eg (x | µi, Σi) são as densidades Gaussianas do componente. Um modelo de mistura gaussiana consiste em matrizes de covariância, pesos de mistura e vetores médios de cada densidade de componente presente. Os gaussianos são totalmente capazes de modelar as correlações dos elementos do vetor de característica, graças à combinação linear da base de covariância diagonal. Outra característica do modelo de mistura gaussiana é a formação de aproximações suaves às densidades de forma aleatória.
Modelos de mistura gaussiana são usados em sistemas biométricos, onde o modelo paramétrico ajuda a entender as características ou medidas relacionadas a características tais como características espectrais do trato vocal. Modelos de mistura gaussiana também são usados para estimativa de densidade e são considerados as técnicas mais estatisticamente maduras para agrupamento.
