Dirichlet-Prozess-Mischmodell
Das Dirichlet-Prozess-Mischmodell (DPMM) ist eine nichtparametrische Bayes'sche Clustering-Methode, die durch Fergusons (1973) Dirichlet-Prozess-Prior eingeführt wurde und eine Wahrscheinlichkeitsverteilung über Verteilungen legt. Im Gegensatz zu endlichen Mischmodellen erfordert das DPMM nicht, dass der Analyst die Anzahl der Cluster im Voraus festlegt; stattdessen leitet es die Anzahl der Komponenten aus den Daten ab, was eine effektiv unbegrenzte Mischung ermöglicht, die mit der Ankunft weiterer Beobachtungen wächst.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche RegressionBayes-Statistik↔ compare
- Latent Dirichlet Allocation (LDA)Maschinelles Lernen↔ compare
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →