飞度混合高斯模型数据

打开生活的脚本

该示例示出了如何从多元正态分布模拟数据，然后用适合的高斯混合模型（GMM）的数据fitgmdist。若要创建已知的或完全指定的GMM对象，请参阅创建高斯混合模型。

fitgmdist需要数据的矩阵，并在GMM部件的数量。要创建一个有用的GMM，你必须选择ķ小心。太少组件未能将数据准确地建模（即，欠拟合到数据）。组件过多导致与奇异协方差矩阵过度拟合模型。

模拟数据从两个二元高斯分布的混合物使用mvnrnd。

MU1 = [1 2];sigma1 = [2 0;0 0.5];MU2 = [-3 -5];σ-2 = [1 0;0 1];RNG（1）;％用于重现X = [mvnrnd（MU1，sigma1,1000）;mvnrnd（MU2，sigma2,1000）];

画出模拟数据。

散射（X（：，1），X（：，2），10，''）％散点图大小为10点标题（模拟数据的）

适合的双组分GMM。使用“选项”名称 - 值对变元进行显示拟合算法的最终输出。

选择= statset ('显示'，'最后'）;GM = fitgmdist（X，2，“选项”，选项）

5次迭代，对数似然= -7105.71克=高斯混合含有2个组分分布在2名维组分1：混合比例：0.500000平均数：-3.0377 -4.9859组分2：混合比例：0.500000平均数：0.9812 2.0563

绘制拟合GMM的PDF文件。

gmPDF = @（X，Y）重塑（PDF（GM，[X（:) Y（:)]），大小（X））;保持在h = fcontour(gmPDF，[-8 6]);标题（“仿真数据和轮廓PDF的线”）;

显示均值，方差，和混合比例估算

ComponentMeans = gm.mu

ComponentMeans =2×2-3.0377 -4.9859 0.9812 2.0563

ComponentCovariances = gm.Sigma

各协方差(:，:，，1)= 1.0132 0.0482 0.0482 0.9796

MixtureProportions = gm.ComponentProportion

MixtureProportions =1×20.5000 - 0.5000

适合四个模型的数据，每个具有增加数量的部件，并且比较赤池信息量准则（AIC）的值。

AIC =零（1,4）;GM =细胞（1,4）;对于K = 1：4克{K} = fitgmdist（X，k）的;AIC（K）= GM {K} .AIC;结束

显示的是，AIC值最小化部件的数量。

[minAIC, numComponents] = min (AIC);numComponents

numComponents = 2

双组分模型具有最小AIC值。

显示双组分GMM。

GM2 =克{numComponents}

GM2 =高斯混合分布在2个维度组分1 2种成分：混合比例：0.500000平均数：-3.0377 -4.9859组分2：混合比例：0.500000平均数：0.9812 2.0563

两者AIC和贝叶斯信息准则（BIC）是包括用于复杂点球（具体地，参数的数量）的模型拟合的基于似然的措施。你可以用它们来确定部件适当数量的模型时，元件的数量是不确定的。

也可以看看