가우스 혼합 모델

기대값 최대화 알고리즘을 사용하여 가우스 혼합 모델을 기준으로 군집화

가우스 혼합 모델(GMM)은 데이터 점이 할당된 군집에 속하는 사후 확률을 극대화하는 방식으로 각 관측값을 군집에 할당합니다. 모델을 데이터에 피팅(fitgmdist)하거나 파라미터 값을 지정(gmdistribution)하여 GMM 객체 gmdistribution을 생성합니다. 그런 다음, 객체 함수를 사용하여 군집 분석을 수행하고(cluster, posterior, mahal), 모델을 실행하고(cdf, pdf), 확률 변량을 생성합니다(random).

함수

모두 확장

`gmdistribution` 객체 만들기

`fitgmdist`	가우스 혼합 모델을 데이터에 피팅
`gmdistribution`	가우스 혼합 모델 생성

`gmdistribution` 객체 작업

`cdf`	가우스 혼합 분포에 대한 누적 분포 함수
`cluster`	Construct clusters from Gaussian mixture distribution
`mahal`	Mahalanobis distance to Gaussian mixture component
`pdf`	가우스 혼합 분포에 대한 확률 밀도 함수
`posterior`	Posterior probability of Gaussian mixture component
`random`	가우스 혼합 분포의 확률 변량

도움말 항목

가우스 혼합 모델을 사용하여 군집화하기
데이터를 크기와 상관관계 구조가 각각 다른 군집으로 분할합니다.
Cluster Gaussian Mixture Data Using Hard Clustering
Implement hard clustering on simulated data from a mixture of Gaussian distributions.
Cluster Gaussian Mixture Data Using Soft Clustering
Implement soft clustering on simulated data from a mixture of Gaussian distributions.
Tune Gaussian Mixture Models
Determine the best Gaussian mixture model (GMM) fit by adjusting the number of components and the component covariance matrix structure.

가우스 혼합 모델

함수

gmdistribution 객체 만들기

gmdistribution 객체 작업

도움말 항목

`gmdistribution` 객체 만들기

`gmdistribution` 객체 작업