小苏打的学习博客

高斯混合模型(GMM) 1. 有时候单一高斯分布不能很好的描述分布 上图左面用单一高斯分布去描述，显然没有右图用两个高斯分布去描述的效果好。 2. 引入混合高斯分析 这里插一句，为什么是“高斯混合模型”，而不是别的混合模型，因为从中心极限定理知，只要K足够大，模型足够复杂，样本量足够多，每一块小区域就可以用高斯分布描述。而且高斯函数具有良好的计算性能，所GMM被广泛地应用。 单一高斯分布公式 混合高斯分布 每个GMM由K个高斯分布组成，每个高斯分布称为一个组件（Component），这些组件线

在看迁移学习的时候遇到边际概率分布概念，防止自己忘记，在此纪录一下。 举例 某离散分布： 联合概率、边际概率、条件概率的关系： 其中， Pr(X=x, Y=y)为“XY的联合概率”； Pr(X=x)为“X的边际概率”； Pr(X=x | Y=y)为“X基于Y的条件概率”； Pr(Y=y)为“Y的边际概率”； 从上式子中可以看到： Pr(X=x, Y=y) = Pr(X=x | Y=y) * P...

标准差 公式描述：公式中数值X1，X2，X3，…XN(皆为实数)，其平均值(算术平均值)为μ，标准差为σ。