摘要GMM(Gaussian Mixture Model, 高斯混合模型)被誉为万能分布近似器, 其拥有强悍的数据建模能力. GMM使用若干个高斯分布的加权和作为对观测数据集进行建模的基础分布, 而由中心极限定理我们知道, 大量独立同分布的随机变量的均值在做适当标准化之后会依分布收敛于高斯分布, 这使得高斯分布具有普适性的建模能力, 继而奠定了使用高斯分布作为主要构成部件的GMM进行数据建模的理论
前言“技术指标图像识别误差：±5μm/3σXY 台重复定位精度：±2μm/3σ；”3σ是什么
转载
2023-11-27 21:55:24
251阅读
# Python 计算高斯分布的 3σ
高斯分布（或称正态分布）是统计学中一个非常常见的数据分布，因其具有许多重要的性质而广泛应用于各种领域，如自然科学、社会科学和工程技术。本文将围绕高斯分布的 3σ 规则展开讨论，并提供相应的 Python 代码示例。
## 什么是高斯分布？
高斯分布的概率密度函数（PDF）由以下公式定义：
\[
f(x) = \frac{1}{\sigma \sqr
原创
2024-09-05 05:07:03
356阅读
对于高斯混合模型是干什么的呢？它解决什么样的问题呢？它常用在非监督学习中，意思就是我们的训练样本集合只有数据，没有标签。它用来解决这样的问题：我们有一堆的训练样本，这些样本可以一共分为K类，用z(i)表示。，但是具体样本属于哪类我们并不知道，现在我们需要建立一个模型来描述这个训练样本的分布。这时， 我们就可以用高斯混合模型来进行描述。怎么入手呢？ 高斯混合模型：我们这么想，因为样本集合潜
转载
2024-07-15 07:50:00
47阅读
学习机器学习算法时，经常会碰到数理统计中置信区间、置信度，虽然学习过相关课程，但是每次遇到它总是懵懵懂懂，似懂非懂。为了对这两个概念有深入的了解，这里做了相关的介绍。为了不老是纠缠于数理统计理论，或者学习了概念之后又无法应用的情况发生，这里以一个机器学习特征工程中常用的异常值检测算法--3sigma模型，来解释这两个概念，这样你既学会了一种异常值模型，又弄懂了这个概念，这个买卖划得来。异常值检测算
转载
2023-10-07 23:15:33
634阅读
## Python 高斯拟合 3sigma 的概率计算
高斯拟合是一种常见的数据分析技术，常用于数据的分布分析。在这篇文章中，我们将学习如何使用 Python 进行高斯拟合，并计算符合 3sigma 范围内的概率。接下来，我们将分步骤进行演示。
### 整体流程
我们将通过以下步骤来实现目标：
| 步骤 | 描述 |
|------|------|
| 1 | 导入所需库 |
| 2
py3里默认文件编码就是utf-8,所以可以直接写中文，也不需要文件头声明编码了，干的漂亮你声明的变量默认是unicode编码，不是utf-8, 因为默认即是unicode了（不像在py2里，你想直接声明成unicode还得在变量前加个u）, 此时你想转成gbk的话，直接your_str.encode("gbk")即可以但py3里，你在your_str.encode("gbk")时，感
转载
2024-07-11 11:39:56
45阅读
高斯混合模型，是一种生成模型，不但可以进行聚类，因为掌握了每一类的概率模型，还可以进行每一类新实例的生成。、生成过程为： 假定生成m个实例，共有k个高斯分布可供选择；生成每个实例时，根据一组权重参数，先选取该实例所属集群的标签，根据标签从k个高斯分布中选取该集群对应的分布，然后再利用高斯分布采样出该实例，就完成了一个新实例点的生成。from sklearn.mixture import Gauss
转载
2023-10-29 08:43:40
140阅读
聚类算法是机器学习中涉及对数据进行分组的一种算法。在给定的数据集中，我们可以通过聚类算法将其分成一些不同的组。在理论上，相同的组的数据之间有相同的属性或者是特征，不同组数据之间的属性或者特征相差就会比较大。聚类算法是一种非监督学习算法，并且作为一种常用的数据分析算法在很多领域上得到应用。 在数据科学领域，我们利用聚类分析，通过将数据分组可以比较清晰的获取到数据信息。今天我们来看看，作为数据科学家需
看极化SAR影像时看到矩阵服从复高斯分布，不明白是什么于是查了查。正态分布又叫高斯分布 X~(μ,σ2) , μ为期望（均值），σ2为方差 遥感影像常认为服从正态分布，横坐标是影像灰度级变化，纵坐标为各灰度级像元数占整幅影像像元数的百分比，也就是对应的概率密度。复高斯分布可认为是Z=X+iY中，X,Y同时满足高斯分布，也就是复数满足高斯分布。该原理的数学基础参考下面文章高斯变量和复高斯变量基础复高
转载
2023-12-08 18:05:51
373阅读
多变量高斯分布先总结一些基本结论。设有随机变量组成的向量\(X=[X_1,\cdots,X_n]^T\)，均值为\(\mu\in\mathbb{R}^n\)，协方差矩阵\(\Sigma\)为对称正定\(n\)阶矩阵。在此基础上，如果还满足概率密度函数\[p(x;\mu,\Sigma)=\frac{1}{(2\pi)^{\frac{n}{2}}|\Sigma|^{\frac{1}{2}}}\exp\
转载
2024-08-11 12:58:01
65阅读
1 一维高斯分布1.1 一维高斯分布的定义1.2 一维高斯分布的曲线1.3 标准一维高斯分布 2 二维高斯分布2.1 二维高斯分布的定义 2.2 二维高斯分布的曲线3 二维高斯滤波器3.1 高斯滤波器简介高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器
转载
2023-11-27 21:05:13
147阅读
内容来自Andrew老师课程Machine Learning的第九章内容的Multivariate Guassian Distribution(Optional)部分。一、Multivariate Gaussian Distribution（多元高斯分布） 使用高斯分布图，看一个数据中心的例子： 因为上面的原因，会带来一些误差，因此我们引入了改良版的算法： 我们不再单独地将p(x1)，
高斯分布（Gaussian distribution） 正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussi
转载
2023-11-10 02:25:56
321阅读
二 数学基础-概率-高斯分布2.1 思维导图简述数学基础-高斯分布思维导图2.2 内容2.2.1 高斯分布的最大似然估计A 已知数据条件：是的列向量，代表一组数据。是N*p维矩阵，表示N组数据。 高斯分布： 一维高斯分布（以一维高斯分布为例）多维高斯分布B 求最大似然估计MLEC 解D 收获最大似然估计MLE: maximum likelihood estimation，由高斯提出，R.A Fis
转载
2023-11-27 21:23:33
146阅读
参考文献：Pattern Recognition and Machine Learning Published by Springer | January 2006https://www.microsoft.com/en-us/research/publication/pattern-recognition-machine-learning/简介在第二章中将专门研究各种概率分布以及其关键特性。在这
转载
2023-11-16 15:36:31
211阅读
高斯分布（Gaussian distribution）：又名正态分布（Normal distribution），也称“常态分布” 一维正态分布函数： 卡尔曼滤波（Kalman filtering）：一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。 X(k)=A X(k-1)+B U(k)+W(k)极大似然估计方法（Maximum Likelihood Estima
转载
2023-12-14 18:39:11
162阅读
卷积和高斯卷积图片的类型二值化图灰度图彩色图为什么使用卷积？卷积的定义卷积的计算边缘填充边缘填充的作用边缘填充的方式几种特殊的卷积核带来的效果高斯振铃现象如何解决振铃现象--高斯内核（模板）高斯函数的定义高斯模板的性质噪声高斯噪声椒盐噪声高斯滤波&中值滤波总结 卷积图片的类型二值化图 （Binary）灰度图 （Gray Scale）彩色图（Color）二值化图二值化图每一个像素值不是1就
转载
2024-01-29 10:05:26
171阅读
高维空间中的高斯分布和随机投影（一）在高维球体表面产生均匀分布点的方法 我们来考虑一个采样问题，就是怎样在高维单位球体的表面上均匀的采样。首先，考虑二维的情况，就是在球形的周长上采样。我们考虑如下方法：第一，先在一个包含该圆形的外接正方形内均匀的采样；第二，将采样到的点投影到圆形上。具体地说就是，第一，先独立均匀的从区间$[-1,1]$（我们假设圆形跟正方形的中
转载
2024-03-13 13:12:37
295阅读
python练手100例-基于python3.6：#python 3.6
#!/usr/bin/env python
# coding: utf-8
#部分参考菜鸟教程改写
#1 有四个数字：1、2、3、4，能组成多少个互不相同且无重复数字的三位数？各是多少？
for i in range(1,5):
for j in range(1,5):
for k in rang
