均值漂移vs尺度空间滤波聚类.pdfVIP

机器学习 7. 均值漂移VS. 尺度空间滤波聚类 几个关于EM方法的问题  目标函数？ 基本思想？ 收敛性原理？ M步是否必须最大化？ 能否嵌入MAP框架？ 主要内容  基本动机  均值漂移  尺度空间滤波聚类  Meanshift vs. SSF 主要内容  基本动机  均值漂移  尺度空间滤波聚类  Meanshift vs. SSF 两类聚类问题  层次化方法  分部方法 优缺点 在指定聚类个 形成各种尺 方便选择 数下效果稳定 度下聚类 合适K 分部方法 层次化方法 优缺点 在指定聚类个 形成各种尺 方便选择 数下效果稳定 度下聚类 合适K 分部方法 √ X X 层次化方法 X √ √ 基本动机 一个小实验：寻找聚类的核心点 基本动机 一个小实验 基本动机 一个小实验 基本动机 一个小实验 基本动机 启发？ 主要内容  基本动机  均值漂移  尺度空间滤波聚类  Meanshift vs. SSF 均值漂移 基本思想：  估计数据分布密度  使每个数据点向密度大的方向转移 均值漂移  镜像对称核函数 均值漂移 密度估计形式  聚类中心应为？  怎么找？ 均值漂移 梯度上升(下降) ！ Gradient Desicent 均值漂移 密度梯度估计 物理意义：加权平均 均值漂移  密度形式：  密度梯度形式：  k与k’何时一致？ 指数分布 此时核函数对应于？ 高斯分布 均值漂移 密度梯度估计 简写： 则有： 均值漂移 梯度方向 Mean Shift 均值漂移 物理意义 均值漂移 Meanshift计算步骤： 初始漂移点 迭代 计算点梯度方向 更新点位置 收敛条件满足 均值漂移 仍需解决什么问题？ 步长！ 天然的答案 什么信息？