聚类算法④、高斯混合聚类方法（补充阅读）

基于高斯混合分布的聚类分析中，在查阅了大量文献后发现现有方法多停留在表面描述阶段难以深入理解其本质原理。通过反复研读周志华教授所著《机器学习》一书中关于GMM算法的详细讲解后才对这一技术有了更加深入的认识。因此建议读者在进行相关研究时应当避免被那些零散的文章干扰直接转向经典的学术专著以获取系统全面的知识

基于高斯混合分布的聚类分析中，在查阅了大量文献后发现现有方法多停留在表面描述阶段难以深入理解其本质原理。通过反复研读周志华教授所著《机器学习》一书中关于GMM算法的详细讲解后才对这一技术有了更加深入的认识

下面是我额外看的几篇论文，还不错，我大致总结了一下，作为笔记。

拓展阅读：

该研究者在文献**基于高斯混合模型的层次聚类算法 瞿俊（厦门大学）**中提出了一种评估高斯混合分布各组成部分间相似性的方法，并通过设定阈值判断其相似程度以决定两组分是否进行合并；若满足条件，则重新计算均值与方差以更新模型参数。

综述部分描述仍然详尽且完整。
大多数机器学习方法都假设训练集与测试集来自同一分布，并且位于同一特征空间中。
当遇到分布变化时，则需要重新进行模型训练。
广泛使用的 EM 算法存在对初始值敏感以及容易陷入局部最优解的问题。
为此提出改进集成学习与迁移学习的方法论。
集成学习通过聚合多个弱分类器提升预测性能，
而迁移学习则是利用已有知识辅助新任务的学习过程。

理论