In inzichten is een gemengd model een probabilistisch model om te spreken over de nabijheid van subpopulaties binnen een algemene populatie, zonder dat een bekeken informatieverzameling de subpopulatie zou moeten onderscheiden waarin een individuele perceptie een plaats heeft. Officieel heeft een gemengd model betrekking op de gemengde circulatie die spreekt over de waarschijnlijkheid van verspreiding van percepties in de algemene populatie. Hoe dan ook, terwijl kwesties met betrekking tot “blend appropriations” zich identificeren met het afleiden van de eigenschappen van de algemene populatie uit die van de subpopulaties, worden “blend models” gebruikt om meetbare conclusies te trekken over de eigenschappen van de subpopulaties gegeven alleen percepties op de gepoolde populatie, zonder de karaktergegevens van de subpopulatie.

Een paar verschillende manieren om blend-modellen te actualiseren omvatten stappen die hypothetische sub-populace karakters naar singuliere percepties (of ladingen naar dergelijke sub-populaces) trekken, in welk geval deze kunnen worden gezien als een soort van solo-leer- of bundelsystemen. In ieder geval bevatten niet alle deductietechnieken dergelijke vorderingen.

Mengmodellen moeten niet worden verward met modellen voor compositie-informatie, d.w.z. informatie waarvan de segmenten gedwongen worden te aggregeren tot een stabiele waarde (1, 100%, enzovoort.). In ieder geval kunnen compositorische modellen worden beschouwd als mengmodellen, waarbij individuen uit de bevolking doelloos worden onderzocht. Aan de andere kant kunnen ook mengmodellen worden gezien als samenstellingsmodellen, waarbij de totale omvang van de populatie is gestandaardiseerd op 1.

Algemeen mengmodel

Een gemeenschappelijk model van een mengsel met beperkte afmetingen is een verschillend genivelleerd model dat bestaat uit de bijbehorende segmenten:

N onregelmatige variabelen die worden bekeken, elk verspreid door een mengsel van K-segmenten, waarbij de segmenten een plaats hebben met de equivalente parametrische groep van verspreiding (b.v. alle gewone, alle Zipfian, enz.) maar met verschillende parameters

N willekeurige inerte factoren die het karakter van het gemengde deel van elke waarneming aangeven, elk toegeëigend door een K-dimensionale ongeëvenaarde overdracht.

Veel K-mix ladingen, dat zijn waarschijnlijkheden die samengevoegd worden tot 1.

Veel K-parameters, die elk de parameter van het vergelijkende mengsegment bepalen. In de regel is elke “parameter” echt een heleboel parameters. Bijvoorbeeld, als de mengdelen Gaussische kredieten zijn, zal er een gemiddelde en verandering zijn voor elk segment. In het geval dat de mengdelen allemaal uitverspreidingen zijn (b.v. wanneer elke waarneming een token is van een beperkte letterreeks van grootte V), zal er een vector van V-kansen zijn die aan 1 wordt toegevoegd.

Ook, in een Bayesiaanse setting, zullen de mengelingen en parameters zelf arbitraire factoren zijn, en eerdere verspreidingen zullen over de factoren heen gezet worden. In zo’n geval worden de belastingen gewoonlijk gezien als een K-dimensionale arbitraire vector uit een Dirichlet-circulatie (het conjugaat eerder van de regelrechte toe-eigening), en de parameters zullen worden overgebracht door hun individuele conjugaatprioriorià “nten.

Wetenschappelijk kan een fundamenteel parametrisch mengmodel worden afgebeeld als volgt:

In een Bayesiaanse instelling zijn alle parameters geassocieerd met willekeurige variabelen, als volgt:

Deze weergave maakt gebruik van F en H om discretionaire overdrachten over waarnemingen en parameters afzonderlijk weer te geven. Gewoonlijk zal H de conjugaat eerder van F. De twee meest fundamentele beslissingen van F zijn Gaussische anders bekend als “zou worden verwacht” (voor echte gewaardeerde percepties) en duidelijke cut (voor discrete percepties). Andere normale potentiële resultaten voor de toe-eigening van de mix segmenten zijn:

Binomiale verspreiding, voor de hoeveelheid “positieve gebeurtenissen” (bijv. triomfen, ja, een stembiljet uitbrengen, enzovoort.) gegeven een vast aantal absolute gebeurtenissen

Multinomiale circulatie, zoals de binomiale toe-eigening, echter voor controles van meerweggebeurtenissen (bv. ja/neen/persoonlijk in een overzicht)

Negatieve binomiale circulatie, voor binomiale percepties echter waar de hoeveelheid intriges het aantal teleurstellingen is voordat een bepaald aantal overwinningen plaatsvindt.

Poissoncirculatie, voor het aantal gebeurtenissen van een gelegenheid in een bepaald tijdsbestek, voor een gelegenheid die wordt geportretteerd door een vast tempo van de gebeurtenis

Exponentiële spreiding, voor de tijd voordat de volgende gelegenheid zich voordoet, voor een gelegenheid die door een vast tempo van de gebeurtenis wordt geportretteerd

Log-gewone verspreiding, voor positieve echte aantallen die worden geaccepteerd om zich exponentieel te ontwikkelen, bijvoorbeeld voor levensonderhoud of kosten.

Multivariate gewone circulatie (ook wel multivariate Gaussiaanse toe-eigening genoemd), voor vectoren van gerelateerde resultaten die uitsluitend Gaussisch zijn getransporteerd

Multivariate Student’s-t verspreiding (ook bekend als multivariate t-circulatie), voor vectoren van overweldigende gevolgd gerelateerde resultaten[1].

Een vector van Bernoulli-verspreide waarden, die bijvoorbeeld vergeleken kan worden met een afbeelding met een hoog contrast, waarbij elk de moeite waard is om met een pixel te spreken; zie het model voor de erkenning van het schrijfkunstwerk eronder:

Gaussisch mengmodel

Een Bayesiaanse versie van een Gaussisch mengmodel is als volgt:

Multivariaat Gaussiaans mengmodel

Een Bayesiaans Gaussisch mengmodel wordt gewoonlijk uitgerekt om te passen in een vector van obscure parameters (bedoeld in opvallend), of multivariate gewone transporten. In een multivariate dispersie (bijvoorbeeld een die een vector x met N onregelmatige factoren weergeeft) kan men een vector van parameters aantonen, (bijvoorbeeld een paar waarnemingen van een teken of fixen binnen een afbeelding) met behulp van een Gaussisch mengmodel eerdere dispersie op de vector van evaluaties gegeven door

Dergelijke circulaties zijn nuttig voor het verwachten van patch-wise staten van foto’s en trossen, bijvoorbeeld. Door de beeldvorming kan elke Gaussian worden gekanteld, uitgebreid en vervormd door de covariantie netwerken. Een Gaussian overdracht van de set is geschikt voor elke fix (in de regel van de grootte 8×8 pixels) in de afbeelding. In het bijzonder kan elke overdracht van focus rond een groep (zoekimplicaties) precies genoeg Gaussiaanse segmenten krijgen, maar nauwelijks meer dan K=20 segmenten worden verwacht om precies een bepaald beeld toe-eigening of een bos van informatie aan te tonen.