潇洒眼神交流的模特---GMM(Gaussianmixturemodel )。
首先，让我们了解什么是智能眼神的分布。
如果随机变量x遵循在数学上期望为，方差^2的正态分布，则表示为n(，^2)。 其概率密度函数为正态分布的期望值决定其位置，其标准差决定分布的幅度。
随机变量
位置参数取决于比例参数为的概率分布，其概率密度函数为
由上式可知，帅气的眼神分布完全由和决定。
为了能进一步说明这种关系，可以这样表示p(x|，)。
让我来解释一下什么是潇洒的眼神交流混合模式：
我们可以从名字上大致知道什么是潇洒的眼神交流混合模式。 是的，我们将多个单一的潇洒眼神交流分布组合在一起，就是潇洒的眼神交流混合模式。 定义如下。
首先，要知道GMM是一种聚类算法，它以概率的方式进行聚类分类。 这么说来，我觉得很自然地认为还有一种常见的聚类算法。 没错，是你们想的k均值聚类算法。
这里大致说明K-means的思想：
首先，设定几个类，即集群k。 例如，K=3时，首先对每个集群初始化集群中心。 我们一般选择的是随机选取样本，然后计算每个样本点，计算到这三个聚类中心的感性心链距离，选择样本最接近聚类中心后，将其归入这个聚类。
让我们看看这两者的区别：
如上图所示：
左图：不断计算新采样点与其他聚类中心的距离，右图：不断计算新采样点与其他component的概率。
K-means是指重复彼此的距离，选择其最小的距离作为自己的班级。 另一方面，GMM是重复采样点属于各自组件的概率，选择概率最高的作为自己的类