基于正态逆高斯混合模型变分贝叶斯的 non-Gaussian 数据聚类
机器学习
2020-09-15 v1 机器学习
摘要
有限混合模型，典型如高斯混合，作为基于模型的聚类已被广泛熟知和应用。在实际情形中，存在许多重尾和/或偏态的非高斯数据。正态逆高斯（NIG）分布是正态-方差均值混合，其混合密度为逆高斯分布，可用于重尾和偏态情形。对于 NIG 混合模型，已提出期望最大化方法和变分贝叶斯（VB）算法。然而，现有的 NIG 混合 VB 算法存在混合密度形状受限的缺点。本文提出另一种改进上述缺陷的 NIG 混合 VB 算法。我们还提出狄利克雷过程混合模型的扩展，以克服有限混合模型中确定聚类数的困难。我们用人工数据评估了性能，发现其优于高斯混合和现有的 NIG 混合实现，尤其对高度非正态数据。
引用
@article{arxiv.2009.06002,
title = {Clustering of non-Gaussian data by variational Bayes for normal inverse Gaussian mixture models},
author = {Takashi Takekawa},
journal= {arXiv preprint arXiv:2009.06002},
year = {2020}
}
备注
27 pages, 8 figures