Dirichlet Process Mixture Model
Dirichlet Process Mixture Model (DPMM) er en ikke-parametrisk Bayesiansk klynge metode introduceret gennem Ferguson's (1973) Dirichlet process prior, der placerer en sandsynlighedsfordeling over fordelinger. I modsætning til endelige mixture-modeller kræver DPMM ikke, at analytikeren specificerer antallet af klynger på forhånd; i stedet udleder den antallet af komponenter fra dataene, hvilket tillader en effektivt ubegrænset mixture, der vokser, efterhånden som flere observationer ankommer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk regressionBayesiansk↔ compare
- Latent Dirichlet Allocation (LDA)Maskinlæring↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →