Bayessche Ansätze zur Gaußschen Mischungsmodellierung

Es wird eine auf Bayes basierende Methodik vorgestellt, die automatisch überkomplexe Modelle, die an unbekannten Daten angepasst werden, bestraft. Wir zeigen, dass dieser Ansatz bei einem Gaußschen Mischungsmodell in der Lage ist, eine „optimale“ Anzahl von Komponenten im Modell auszuwählen und dadurch Datensätze zu partitionieren. Die Leistung der bayesschen Methode wird mit anderen Methoden zur optimalen Modellauswahl verglichen und liefert gute Ergebnisse. Die Methoden werden an synthetischen und realen Datensätzen getestet.