Gauss Karışımı modellerini (GMM) seviyorum .
Özelliklerinden biri, probit alanında parçalı interpolatörler gibi davranmalarıdır. Bunun bir sonucu, bir yedek temel, evrensel bir yaklaşım gibi davranabilmeleridir. Bu, bazı kriterler karşılandığı sürece lognormal, weibull veya daha çılgın analitik olmayanlar gibi gauss dışı dağılımlar için GMM'nin dağılımı yaklaşık olarak tahmin edebileceği anlamına gelir.
GMM kullanarak AICc veya BIC optimal yaklaşım parametrelerini biliyorsanız, o zaman bunu daha küçük boyutlara yansıtabilirsiniz. Döndürebilir ve yaklaşık GMM bileşenlerinin ana eksenlerine bakabilirsiniz.
Sonuç, 3 boyutlu görüntüleme görsel algımızı kullanarak yüksek boyutlu verilerin en önemli kısımlarına bakmak için bilgilendirici ve görsel olarak erişilebilir bir yol olacaktır.
EDIT: (emin bir şey, whuber)
Şekle bakmanın birkaç yolu vardır.
- Trendlerdeki eğilimlere bakabilirsiniz. Bir lognormal, aşamalı olarak yaklaşmak ve ilerlemesi boyunca ağırlıkları küçülmek anlamına gelen bir dizi Gaussian tarafından yaklaşılır. Toplam, daha ağır kuyruğa yaklaşır. N-boyutlarında, bu tür bileşenlerin bir dizisi bir lob oluşturacaktır. Ortalamalar (yüksek boyuta dönüştürme) ve yön kosinüsleri arasındaki mesafeleri de takip edebilirsiniz. Bu çok daha erişilebilir boyutlara dönüşecektir.
- Eksenleri ağırlık, ortalamanın büyüklüğü ve varyansın / kovaryansın büyüklüğü olan bir 3d sistem yapabilirsiniz. Çok yüksek bir küme sayımınız varsa, bu onları birbirleriyle karşılaştırıldığında görüntülemenin bir yoludur. 50k parçayı 2k ölçülerde her biri 3B alanda birkaç buluta dönüştürmenin değerli bir yoludur. İstersem bu alanda süreç kontrolünü yürütebilirim. Gauss karışım modelinin parça parametrelerine uygun bileşenleri üzerinde gauss karışım modeli tabanlı kontrol kullanmanın özyinelemesini seviyorum.
- Yığılmayı giderme açısından, çok küçük bir ağırlıkla veya kovaryans başına ağırlıkla veya benzeri şekilde atılabilir.
- GMM bulutunu BIC, , Mahalanobis bileşenlere uzaklığı veya toplamı, üyelik olasılığı veya toplamı olarak çizebilirsiniz. R,2
- Kesişen kabarcıklar gibi bakabilirsiniz . Her GMM kümesi çifti arasında eşit olasılık yeri (sıfır Kullback-Leibler sapması) bulunur. Bu konumu izlerseniz, o konuma üyelik olasılığına göre filtreleyebilirsiniz. Size sınıflandırma sınırlarını gösterecektir. Bu "yalnızları" izole etmenize yardımcı olacaktır. Üye başına eşiğin üzerindeki bu tür sınırların sayısını sayabilir ve bileşen başına bir "bağlılık" listesi alabilirsiniz. Konumlar arasındaki açılara ve mesafelere de bakabilirsiniz.
- Gauss PDF'leri verilen rasgele sayıları kullanarak alanı yeniden örnekleyebilir ve daha sonra üzerinde temel bileşen analizi yapabilir ve bunlarla ilişkili öz biçimlere ve özdeğerlere bakabilirsiniz.
DÜZENLE:
Şekil ne anlama geliyor? Özgüllüğün tüm iyi iletişimin ruhu olduğunu söylüyorlar.
"Ölçmek" hakkında ne demek istiyorsun?
Ne anlama gelebileceği hakkında fikirler:
- Göz küresi normu genel form hissi / hissi. (son derece nitel, görsel erişilebilirlik)
- GD&T şeklinin ölçüsü (eşdüzlem, eşmerkezlilik, vb.) (son derece nicel)
- sayısal bir şey (özdeğerler, kovaryanslar, vb ...)
- yararlı bir azaltılmış boyut koordinatı (GMM parametrelerinin boyut haline gelmesi gibi)
- azaltılmış gürültü sistemi (bir şekilde düzeltilmiş, sonra sunulmuştur)
"Birkaç yol" un çoğu bunlar üzerinde bir çeşitliliktir.