نماذج الخليط الغوسي (GMM) هي نموذج احتمالي يفترض أن جميع نقاط البيانات يتم إنشاؤها من خليط من عدد محدود من التوزيعات الغوسية ذات المعلمات غير المعروفة. إنها خوارزمية تجميع وهي واحدة من الخوارزميات الأكثر استخدامًا للتجميع.
GMM هي نوع من خوارزمية التعلم غير الخاضعة للرقابة ويمكن استخدامها لتطبيقات مختلفة تتراوح بين التصنيف وتجميع البيانات وتقدير الكثافة. الهدف الرئيسي لهذا النوع من النماذج هو تحديد البنية الأساسية لمجموعة البيانات من خلال إيجاد الأنماط المخفية في نقاط البيانات. ويمكن استخدامه لتحديد المجموعات المتجانسة ضمن مجموعة البيانات.
يعتمد نموذج الخليط الغوسي على فكرة أنه يمكن وصف مجموعة البيانات على أنها مزيج من توزيعات غاوسية متعددة، لكل منها معلماتها الخاصة (المتوسط، التباين، وما إلى ذلك). يقوم النموذج بتعيين كل نقطة بيانات إلى مكون غاوسي، و ثم يتم تقدير معلمات المكون الغوسي بناءً على البيانات.
في GMM، يتم دمج مكون Gaussians في مبلغ مرجح، حيث يساهم كل مكون ببعض الوزن في الخليط الإجمالي. والفكرة هي أن الأوزان سوف تلتقط الاحتمال النسبي لمساهمة كل مكون في إجمالي توزيع البيانات.
GMM هي خوارزمية معروفة ومستخدمة على نطاق واسع في العديد من المجالات بما في ذلك رؤية الكمبيوتر ومعالجة الإشارات وتجزئة الصور واستخراج البيانات والمزيد. يعد GMM سهل التنفيذ وهو قادر على تصميم توزيعات البيانات المعقدة باستخدام معلمات قليلة نسبيًا.
على الرغم من مزاياها، GMM لديها بعض العيوب. على سبيل المثال، فهو يعمل فقط مع البيانات التي يتم تمثيلها بشكل جيد بواسطة خليط من التوزيعات الغوسية، وقد يواجه صعوبة في العثور على مجموعات في بيانات أكثر تعقيدًا. بالإضافة إلى ذلك، يمكن أن تكون معلمات Gaussians حساسة لاختيار التهيئة، الأمر الذي قد يكون من الصعب تحسينه.
