Байесови непараметрични методи
Байесови непараметрични методи са семейство гъвкави байесови модели, при които сложността на модела не се фиксира предварително, а автоматично нараства с данните. Двата най-широко използвани члена са Смеси от Дирихле Процес (DPM), които групират наблюденията без предварително задаване на броя на групите, и Гаусово Процесно (GP) регресия, която поставя априорно разпределение директно върху функции и извършва регресия или класификация, без да се ангажира с параметрична форма. И двете рамки са формализирани в литературата по байесови непараметрични методи, като каноничното GP третиране е дадено от Rasmussen и Williams (2006).
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Rasmussen, C.E. & Williams, C.K.I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0262182539
- Müller, P. & Quintana, F.A. (2004). Nonparametric Bayesian Data Analysis. Statistical Science, 19(1), 95–110. DOI: 10.1214/088342304000000017 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/bg/bayesian/bayesian-nonparametric
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байесов регресионен моделБейсови методи↔ compare
- Гаусов процесМашинно обучение↔ compare
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →