Vortrag-Daniel.pdf

Empfehlungen

Info

Informationsmaße - Log-Likelihood-Funktion● Akaike-Informationsmaß: AIC KAIC K = 2m K − LL K● Akaike-3-Informationsmaß: AIC3 KAIC3 K = 3m K − 2LL K● Bayes'sches Informationsmaß: BIC KBIC K = m K ln n − 2LL K● Konsistentes Akaike-Informationsmaß: CAIC K42CAIC K = m K ln (n + 1) − 2LL K
Unähnlichkeitsindex● Englisch: Dissimilarity IndexDI =n + ∑i ∗ = 1I ∗ (∣n i∗ − ̂m i∗∣− ̂m i∗)2n● Stärke der Abweichung der beobachteten und geschätztenZellhäufigkeiten voneinander● Für perfekte Modellanpassung zu verändernder Teil der Stichprobe43
Seite 1 und 2: Clustering BEM-AlgorithmusAutomatis
Seite 3 und 4: EM-AlgorithmusGrundlegendes
Seite 5 und 6: Erinnerung an den k-Means-Algorithm
Seite 7 und 8: EM-Algorithmus● Schritt 1:Zufäll
Seite 9 und 10: Vorteile des EM-Algorithmus● Gute
Seite 11 und 12: EM-AlgorithmusDetails
Seite 13 und 14: Modellansatz● K latente Klassen
Seite 15 und 16: Grundlegende Stochastikwerte● Ges
Seite 17 und 18: Maximum-Likelihood-Schätzung● Li
Seite 19 und 20: Grundprinzip des EM-Algorithmus●
Seite 21 und 22: Annahme● Wahrscheinlichkeit für
Seite 23 und 24: Schätzung von π(k | g)● Satz vo
Seite 25 und 26: EM-Algorithmus - Schritt 2● Schä
Seite 27 und 28: EM-Algorithmus - Schritt 4● Prüf
Seite 29 und 30: Überwachung der lokalen Unabhängi
Seite 31 und 32: Beispiel● Zweidimensional● Nich
Seite 33 und 34: Grundprinzip● Ausführung des EM-
Seite 35 und 36: Indikator-Variablen● Sichtbare Kl
Seite 37 und 38: Weitere Annahmen und Voraussetzunge
Seite 39 und 40: Anzahl Freiheitsgrade● Anzahl an
Seite 41: Informationsmaße - Problem● Ähn
Seite 45 und 46: Beziehungen von EM- und k-Means-Mod
Seite 47 und 48: Beispiel● Zweidimensional● Übe
Seite 49 und 50: Anhang
Seite 51 und 52: Literaturverzeichnis● Dempster, A
Seite 53 und 54: Literaturverzeichnis● Sundberg, R
Seite 55: Literaturverzeichnis● PMartin-Lö

Vortrag-Daniel.pdf

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?