Bayessche nichtparametrische Methoden

Bayessche nichtparametrische Methoden sind eine Familie flexibler Bayesscher Modelle, bei denen die Modellkomplexität nicht im Voraus festgelegt wird, sondern automatisch mit den Daten wächst. Die beiden am weitesten verbreiteten Mitglieder sind die Dirichlet-Prozess-Mischung (DPM), die Beobachtungen ohne vorherige Spezifikation der Clusteranzahl gruppiert, und die Gauß-Prozess-Regression (GP), die eine Prior-Verteilung direkt über Funktionen legt und Regression oder Klassifikation ohne Festlegung auf eine parametrische Form durchführt. Beide Rahmenwerke wurden in der Bayesschen nichtparametrischen Literatur formalisiert, wobei die kanonische GP-Behandlung von Rasmussen und Williams (2006) stammt.