使用高斯混合模型進行二進制分類

我想爲決策邊界實現T = Log（f（x | client）） - Log（f（x | impostor））。我的訓練和測試功能是20 * 12。我已經應用了語音盒matlab工具箱。我寫下面的MATLAB代碼：使用高斯混合模型進行二進制分類

if max(lp_client)- max(lp_impostor) >0.35 
    disp('accept'); 
else 
    disp('reject'); 
end

我應該使用Log對數的概率還是Log對數的最大值？

來源

2013-03-14 amir nemat

問題標題與內容相比太寬泛。 – minerals 2016-02-15 15:23:38

由於估計的概率性質，您應該使用lp_client的總和。如果你有一系列獨立的事件（在這個模型中經常假設特徵獨立），它的概率是每個事件的概率的乘積：

P（Seq | X）= P（feat1 | x）* P （FEAT2 | X）...

或在數域

的logP（SEQ | X）=的logP（FEAT1 | X）+的logP（FEAT2 | X）

所以實際上

logP（x | client）= sum（lp_client）

and

logP（x |冒充者）=總和（lp_impostor）

來源

2013-03-14 10:36:34

感謝您的迴應，如果我想用1024混合物構建通用背景模型（UBM），我應該像下面的代碼那樣通過1 GMM中的所有特徵來訓練GMM嗎？ 'UBM = [training_features1; ...; training_features1024]''[m_ubm，v_ubm，w_ubm] = gaussmix（UBM，[]，No_of_Iterations，No_of_Clusters）; ' – 2013-03-18 02:34:28

是的，你可以這樣做 – 2013-03-18 17:12:17

使用高斯混合模型進行二進制分類

回答

相關問題