
参数拟合问题:标准公式是µ 等于你的训练样本的平均值; Σ 实际上就是我们在使用 PCA时的式子

多元高斯模型和单元高斯模型之间的关系是单元高斯模型对应于一种多元高斯分布(多元高斯模型的一个特例),它的等高线全部都是沿着轴向的,使得它的概率密度函数的等高线或者说概率分布函数的等高线是沿着轴向的。

高斯分布vs多元高斯分布
高斯分布模型可能使用得更加频繁,而多元高斯模型则没有那么常用,但是它有能够捕捉特征变量之间的相关性(正相关或负相关性)的优势。
典型的经验法则是只在当 m 远大于 n 的时候使用多元高斯模型。
Σ是奇异,不可逆的:1.它没有满足这个 m 大于 n 的条件 2.线性相关的特征变量

网友评论