Редактирование: МОТП, Билеты (2009)
Материал из eSyr's wiki.
Внимание: Вы не представились системе. Ваш IP-адрес будет записан в историю изменений этой страницы.
ПРЕДУПРЕЖДЕНИЕ: Длина этой страницы составляет 77 килобайт. Страницы, размер которых приближается к 32 КБ или превышает это значение, могут неверно отображаться в некоторых браузерах. Пожалуйста, рассмотрите вариант разбиения страницы на меньшие части.
Правка может быть отменена. Пожалуйста, просмотрите сравнение версий, чтобы убедиться, что это именно те изменения, которые вас интересуют, и нажмите «Записать страницу», чтобы изменения вступили в силу.
Текущая версия | Ваш текст | ||
Строка 271: | Строка 271: | ||
* EM-алгоритм позволяет избежать вычисление матрицы ковариации на промежуточном шаге | * EM-алгоритм позволяет избежать вычисление матрицы ковариации на промежуточном шаге | ||
* возможность автоматического определения числа главных компонент | * возможность автоматического определения числа главных компонент | ||
- | |||
- | <u>Вероятностная модель:</u> | ||
- | * Пусть имеется выборка <math>\{x_n\}_{n=1}^N~,~~ x_n \in \mathbb{R}^D</math> | ||
- | * для каждого объекта <math>x_n</math> рассмотрим скрытую переменную <math>t_n \in \mathbb{R}^d~;~~d < D</math> | ||
- | * определим распределение скрытых переменных <math>p_t = \mathcal{N}(t|0, I)</math> (многомерное нормальное распределение) | ||
- | * Таким образом, модель наблюдаемой переменной <math>x</math> представляет собой линейное преобразование с добавлением гауссовского шума: <math>p(x|t) = \mathcal{N}(x | Wt + \mu , \sigma^2 I)</math>, где | ||
- | ** <math>W \in \mathbb{R}^{D \times d}</math> | ||
- | ** <math>\mu \in \mathbb{R}^D</math> | ||
==ЕМ-алгоритм в методе главных компонент. Его преимущества.== | ==ЕМ-алгоритм в методе главных компонент. Его преимущества.== |