Il prossimoProssima guida
Modelli di volatilità GARCH
Tecnico
GUIDA TECNICA
Un modello di miscela gaussiana (GMM) rappresenta una distribuzione di dati come una combinazione ponderata di componenti gaussiani e assegna a ciascuna osservazione probabilità di appartenenza.
Ascolta questa guidaNarrato dall'IA · ~3 min
A differenza delle medie k, modella la covarianza dei componenti e l'appartenenza morbida, ma le sue ipotesi gaussiane, il conteggio dei componenti e il comportamento di ottimizzazione locale necessitano di valutazione.
Un GMM finito modella una densità come somma delle densità dei componenti K ponderate mescolando le proporzioni. Ciascun componente è gaussiano con la propria media e una struttura di covarianza selezionata dal modello. I pesi sono non negativi e la somma è uno. Per un'osservazione, la regola di Bayes fornisce una responsabilità: la probabilità a posteriori che ciascun componente abbia generato quel punto. È possibile creare un’etichetta di cluster rigido scegliendo la responsabilità maggiore, ma così facendo si elimina l’incertezza. I GMM possono rappresentare cluster ellittici e le matrici di covarianza complete catturano le relazioni tra le caratteristiche all'interno di ciascun componente. La covarianza diagonale non presuppone alcuna covarianza delle caratteristiche all'interno del componente, la covarianza legata condivide una matrice generale tra i componenti e la covarianza sferica utilizza una varianza scalare per componente. Modelli di covarianza più flessibili richiedono più parametri e possono adattarsi eccessivamente quando i dati sono limitati. Le unità di scala e di funzionalità sono importanti perché la covarianza viene misurata nello spazio di input. L'EM è comunemente utilizzato per stimare i parametri GMM. Alterna responsabilità e aggiornamenti ponderati dei parametri. Poiché la probabilità non è convessa, l'inizializzazione può influenzare la soluzione. Riavvii multipli riducono la dipendenza da un punto di partenza ma non dimostrano un ottimo globale. La regolarizzazione della covarianza può stabilizzare stime quasi singolari; è un'impostazione modellistica o numerica che dovrebbe essere segnalata. Le medie K possono essere viste sotto ipotesi restrittive in relazione a cluster gaussiani sferici di uguali dimensioni con assegnazioni difficili, ma gli obiettivi pratici differiscono: le medie k minimizzano le distanze quadrate e GMM massimizza la probabilità. I GMM offrono stime di densità e assegnazioni soft, ma non scoprono automaticamente il numero reale di gruppi significativi. Utilizzare criteri come il BIC come aiuto per la selezione del modello e verificare la probabilità, la stabilità e l'utilità del dominio. I componenti della miscela sono parti matematiche di una densità adattata e potrebbero non corrispondere a popolazioni distinte del mondo reale.
Un ipotetico set di dati ha due gruppi sovrapposti. Un GMM adattato può assegnare un punto di responsabilità 0,7 a un componente e 0,3 a un altro, preservando l'incertezza piuttosto che effettuare un'assegnazione immediata e difficile.
Un grappolo è allungato e inclinato. Un GMM a covarianza completa può rappresentare quella forma, mentre un modello di covarianza sferica presuppone che ciascun componente abbia una varianza condivisa in ogni direzione.
Un analista adatta diversi conteggi di componenti e tipi di covarianza, utilizza più inizializzazioni e confronta criteri di informazione e comportamenti esclusi invece di scegliere il conteggio da un solo grafico.
Un team confronta le responsabilità del GMM con le etichette k-means. Le medie K minimizzano le distanze quadrate all'interno del cluster, mentre GMM stima una miscela probabilistica, quindi le assegnazioni possono differire soprattutto per gruppi sovrapposti o di forma diversa.
I rapporti GMM possono migliorare abbinando le probabilità di adesione con ipotesi di covarianza, prove di selezione del modello e stabilità durante i riavvii. I team dovrebbero verificare se un componente rappresenta un modello utile piuttosto che presumere che ogni gaussiana adattata sia un gruppo naturale. Quando le osservazioni arrivano nel tempo, monitora la probabilità e i cambiamenti di responsabilità per rilevare i cambiamenti nella popolazione. Un piano di validazione pratico confronta le strutture di covarianza candidate e i conteggi dei componenti sui dati non utilizzati per adattarli. Una migliore visualizzazione dell'incertezza può aiutare gli utenti a evitare di considerare una responsabilità 0,51 come una determinata assegnazione di cluster.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Un modello di miscela gaussiana (GMM) rappresenta una distribuzione di dati come una combinazione ponderata di componenti gaussiani e assegna a ciascuna osservazione probabilità di appartenenza. A differenza delle medie k, modella la covarianza dei componenti e l'appartenenza morbida, ma le sue ipotesi gaussiane, il conteggio dei componenti e il comportamento di ottimizzazione locale necessitano di valutazione.
Le responsabilità danno la probabilità assegnata a ciascun componente per quell'osservazione e la somma è uno.
La covarianza completa conferisce a ciascun componente la propria matrice di covarianza illimitata, soggetta a definizione positiva.
Una matrice diagonale imposta a zero i termini di covarianza fuori diagonale.
Gli obiettivi e le rappresentazioni dei membri differiscono: minimizzazione della distanza con gruppi difficili rispetto all'adattamento probabilistico della verosimiglianza.
I ME possono convergere verso diverse soluzioni locali a seconda dei parametri di partenza.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Modelli di volatilità GARCH
Tecnico