machine-learning - 如何评估加权高斯混合模型中的样本？

简短版本:

如果我有一个包含 n 个组件的 MoG 模型，每个组件都有单独的权重 w^n。我有一个样本。我想计算这个样本是从 MoG 抽取的概率。我可以轻松评估各个高斯函数，但我不知道如何考虑它们的权重或汇总它们的分数。

更长版本:

我在 matlab 中使用 MoG 模型来实现机器学习算法。我正在对蒙特卡洛风格进行采样，因此需要执行重要性重新加权，其中涉及评估从 MoG 模型中抽取特定样本的可能性。我可以轻松评估单个高斯，但我不确定如何对整个 MoG 模型进行评估，同时考虑到所有组件和权重。

最佳答案

我猜数学的答案是:

y = p(x | M) = \sum_i p(x | N_i) * w_i

其中 p(x | M) 是从混合物 M 中采样 x 的概率，该概率被转换为加权和从每个高斯 N_i 中采样 x 的概率，并按从正常 N_i 采样的先验概率加权 (w_i ，训练期间获得的权重)。

在此处查找有关如何从 GMM 进行训练或采样的详细文档:

关于machine-learning - 如何评估加权高斯混合模型中的样本？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34949377/

相关文章：

c - 高斯混合 - C