Bayesovské neparametrické metody
Bayesovské neparametrické metody jsou rodinou flexibilních Bayesovských modelů, u nichž složitost modelu není pevně stanovena předem, ale automaticky roste s daty. Dvěma nejrozšířenějšími členy jsou směs Dirichletova procesu (DPM), která shlukuje pozorování bez předchozího určení počtu shluků, a Gaussovská procesní (GP) regrese, která umisťuje apriorní rozdělení přímo na funkce a provádí regresi nebo klasifikaci bez závazku k parametrické formě. Oba rámce byly formalizovány v literatuře Bayesovských neparametrických metod, přičemž kanonické zpracování GP poskytli Rasmussen a Williams (2006).
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/cs/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.
- Bayesovská regreseBayesovská statistika↔ compare
- Gaussovský procesStrojové učení↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →