Bayesianske Ikke-parametriske Metoder

Bayesianske ikke-parametriske metoder er en familie af fleksible Bayesianske modeller, hvor modellens kompleksitet ikke er fastlagt på forhånd, men automatisk vokser med data. De to mest anvendte medlemmer er Dirichlet Process Mixture (DPM), som klynger observationer uden at forudspecificere antallet af klynger, og Gaussian Process (GP) regression, som placerer en prior direkte over funktioner og udfører regression eller klassifikation uden at binde sig til en parametrisk form. Begge rammer blev formaliseret i den Bayesianske ikke-parametriske litteratur, med den kanoniske GP-behandling givet af Rasmussen og Williams (2006).