高斯混合模型資料

序

• 這部分內容自己寫也是搬運別人的，而且看完感覺不算難，這裏就放上資料了。
• 閱讀順序見下：

[ 1 ] 多維高斯分佈
[ 2 ] EM及高斯混合模型
[ 3 ] 代碼

• 代碼基本和[2]推出的結論一樣，理清出維度變換就好了。

• 補充資料：

• 自己本來是先看的下面的內容，但是不少細節沒看懂，果然純粹的理論我還是差火候，只能靠上面那三個撈了我一手。

• 白板推導系列（十一）-高斯混合模型GMM

• PRML這本書

關鍵代碼

def GMM_EM(Y, K, times):

    # 對每一維度進行縮放
    Y = scale_data(Y)

    # 初始化參數
    mu, cov, alpha = init_params(Y.shape, K)

    # 開始迭代
    for i in range(times):
        # r(i,k)
        gamma = getExpectation(Y, mu, cov, alpha)
        mu, cov, alpha = maximize(Y, gamma)

    debug("{sep} Result {sep}".format(sep="-" * 20))
    debug("mu:", mu, "cov:", cov, "alpha:", alpha, sep="\n")
    return mu, cov, alpha