机器学习强基计划7-4:详细推导高斯混合聚类(GMM)原理(附Python实现)

目录

  • 0 写在前面
  • 1 高斯概率密度
  • 2 混合高斯分布
  • 3 GMM算法
    • 3.1 定义
    • 3.2 参数估计
  • 4 Python实现
    • 4.1 算法流程
    • 4.2 E步
    • 4.3 M步
    • 4.4 可视化

0 写在前面

机器学习强基计划聚焦深度和广度,加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理;“广”在分析多个机器学习模型:决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。强基计划实现从理论到实践的全面覆盖,由本人亲自从底层编写、测试与文章配套的各个经典算法,不依赖于现有库,可以大大加深对算法的理解。

详情:机器学习强基计划(附几十种经典模型源码)


1 高斯概率密度

你可能感兴趣的:(机器学习强基计划,python,聚类,人工智能,数据挖掘)