От интуиции к реализации В мире машинного обучения можно выделить две основные области: обучение с учителем и обучение без учителя. Основное различие между ними заключается в характере данных, а также в подходах, используемых для их обработки. Кластеризация - это проблема неконтролируемого обучения, при которой мы намереваемся найти кластеры точек в нашем наборе данных, которые имеют некоторые общие характеристики. Предположим, у нас есть набор данных, который выглядит так: Наша..

с примером реализации на Python Предисловие. Эта статья представляет собой сводную информацию по основной теме и не может считаться оригинальной работой. Информация и код перепрофилируются в нескольких онлайн-статьях, исследовательских статьях, книгах и с открытым исходным кодом. Введение Алгоритм ожидания-максимизации, или сокращенно EM-алгоритм, представляет собой подход к оценке максимального правдоподобия в присутствии скрытых переменных. Алгоритм EM был объяснен и получил..

Единственное руководство, которое вам нужно, чтобы узнать все о GMM Когда мы говорим о смешанной модели Гаусса (позже в этой статье она будет обозначаться как GMM), важно знать, как работает алгоритм KMeans. Поскольку GMM очень похож на KMeans, скорее всего, это вероятностная версия KMeans. Эта вероятностная функция позволяет применять GMM ко многим сложным проблемам, с которыми не может справиться KMeans. Таким образом, KMeans имеет следующие ограничения: Предполагается, что..

Внедрить GMM с нуля для решения проблемы кластеризации изображений Кластеризация - одна из самых популярных задач машинного обучения без учителя. Мы уже знакомы с алгоритмом кластеризации k-средних, но подождите, в этом есть проблема: Сильно зависит от начального значения центроидов : если мы изменим его инициализацию, а затем положение кластера, то весьма вероятно, что последний кластер изменит свое положение. Кластеры разного размера и плотности : кластеры, имеющие различную..