Definição – O que significa o Modelo de Mistura Gaussiana (GMM)?
Um modelo de mistura gaussiana (GMM) é uma categoria de modelo probabilístico que afirma que todos os pontos de dados gerados são derivados de uma mistura de distribuições gaussianas finitas que não têm parâmetros conhecidos. Os parâmetros para os modelos de mistura gaussiana são derivados de estimativa de máximo a posteriori ou de um algoritmo de maximização de expectativa iterativa de um modelo anterior que é bem treinado. Os modelos de mistura gaussiana são muito úteis quando se trata de modelar dados, especialmente dados que vêm de vários grupos.
Definirtec explica o modelo de mistura gaussiana (GMM)
Matematicamente, os modelos de mistura gaussiana são um exemplo de função de densidade de probabilidade paramétrica, que pode ser representada como uma soma ponderada de todas as densidades dos componentes gaussianos. Em outras palavras, a soma ponderada das densidades gaussianas do componente M é conhecida como um modelo de mistura gaussiana, e matematicamente é p (x | λ) = XM i = 1 wi g (x | µi, Σi), onde M é denotado por pesos de mistura, x é o vetor de dados de valor contínuo da dimensão D eeg (x | µi, Σi) são as densidades gaussianas componentes. Um modelo de mistura gaussiana consiste em matrizes de covariância, pesos de mistura e vetores médios de cada densidade de componente presente. Gaussianos são totalmente capazes de modelar as correlações de elementos do vetor de recursos graças à combinação linear da base de covariância diagonal. Outra característica do modelo de mistura gaussiana é a formação de aproximações suaves para densidades de formato aleatório.
Os modelos de mistura gaussiana são usados em sistemas biométricos onde o modelo paramétrico ajuda a entender os recursos ou medições relacionadas a outros, como recursos espectrais do trato vocal. Modelos de mistura gaussiana também são usados para estimativa de densidade e são considerados as técnicas mais maduras estatisticamente para agrupamento.