GMM(高斯混合模型)是一种迭代算法,其基本原理是通过多个高斯分布函数去估计任意形状的概率分布。每个高斯分布被称为一个“分量”,这些分量线性加法即为GMM的概率密度函数。GMM将数据点的估计是这些高斯分布的采样点,通过极大似然估计的方法估计高斯分布的参数,包括每个分量的概率、均值和协方差等。
认知强:GMM 可以适应各种形状的数据分布,包括圆形、椭圆形、不形状规则等。这是因为 GMM 使用多个高斯分布的组合来模拟任意形状的概率分布,因此具有极大的适应能力。
公告效果好:GMM 在公告时考虑了数据的概率分布,因此具有更好的适应能力。处理噪声数据和异常值。同时,GMM的噪声结果具有软噪声的特性,即数据点可以属于多个噪声中心,这样可以更好地反映数据的真实情况。