Dirichletův proces směsi (DPMM)
Dirichletův proces směsi (DPMM) je neparametrická bayesovská metoda shlukování zavedená pomocí Fergusonova (1973) Dirichletova procesního prioru, který umisťuje pravděpodobnostní rozdělení nad rozděleními. Na rozdíl od konečných směsných modelů DPMM nevyžaduje, aby analytik předem specifikoval počet shluků; místo toho odvozuje počet komponent z dat, což umožňuje efektivně neomezenou směs, která roste s příchodem dalších pozorování.
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
- Ferguson, T. S. (1973). A Bayesian analysis of some nonparametric problems. The Annals of Statistics, 1(2), 209–230. DOI: 10.1214/aos/1176342360 ↗
- Neal, R. M. (2000). Markov chain sampling methods for Dirichlet process mixture models. Journal of Computational and Graphical Statistics, 9(2), 249–265. DOI: 10.1080/10618600.2000.10474879 ↗
- Hjort, N. L., Holmes, C., Müller, P., & Walker, S. G. (Eds.) (2010). Bayesian Nonparametrics. Cambridge University Press. ISBN: 978-0-521-51346-3
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/cs/bayesian/dirichlet-process-mixture-model
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
- Latent Dirichlet Allocation (LDA)Strojové učení↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →