Смешанная модель Гаусса (GMM) — это вероятностная модель, которая предполагает, что экземпляры были сгенерированы из смеси нескольких распределений Гаусса, параметры которых неизвестны. Все экземпляры, сгенерированные из одного распределения Гаусса, образуют кластер, который обычно выглядит как эллипсоид. Когда вы наблюдаете экземпляр, вы знаете, что он был сгенерирован из одного из распределений Гаусса, но вам не говорят, какое именно, и вы не знаете, каковы параметры этих распределений...

В мире машинного обучения мы часто сталкиваемся со сложными и динамическими наборами данных, которые не соответствуют предположениям традиционных параметрических моделей. Здесь на помощь приходят непараметрические методы. Эти универсальные методы предлагают гибкий подход к обработке данных, который бросает вызов ограничениям параметрического моделирования, позволяя нам решать широкий спектр задач. Давайте погрузимся в мир непараметрических методов и узнаем, как они позволяют нам извлекать..

Генеративный алгоритм обучения против дискриминационного алгоритма обучения Алгоритмы, которые пытаются изучить сопоставления входного пространства 𝔁 с выходными метками 𝔂 (например, логистическая регрессия, линейная регрессия и т. д.), называются дискриминационным алгоритмом обучения (DLA) . Другими словами, алгоритм дискриминационного обучения пытается изучить 𝔂 при заданном 𝔁. Математически P(y | x) . С другой стороны, алгоритмы, которые пытаются изучить входные данные (𝔁) при..

Обнаружение аномалий Алгоритм отлова выбросов с использованием распределения Гаусса Это десятая часть серии, над которой я работаю, в которой мы обсудим и определим вводные алгоритмы и концепции машинного обучения. В самом конце этой статьи вы найдете все предыдущие части серии. Я предлагаю вам прочитать их по порядку. Просто потому, что я представляю там некоторые концепции, которые являются ключом к пониманию понятий, обсуждаемых в этой статье, и я буду к ним возвращаться..

В этой статье обсуждаются преобразования, которые делают распределение вашей переменной более похожим на распределение Гаусса. В моей предыдущей статье ( Как узнать, является ли распределение моей переменной гауссовым? ) мы обсуждали методы определения того, выглядит ли распределение переменной гауссовым. Из этой статьи было обнаружено, что распределения переменных 0 и 1 набора данных Iris были ближе к распределению Гаусса, в то время как распределение переменных 2 и 3 было..