Μπεϋζιανές Μη Παραμετρικές Μέθοδοι
Οι μπεϋζιανές μη παραμετρικές μέθοδοι αποτελούν μια οικογένεια ευέλικτων μπεϋζιανών μοντέλων στα οποία η πολυπλοκότητα του μοντέλου δεν καθορίζεται εκ των προτέρων, αλλά αυξάνεται αυτόματα με τα δεδομένα. Τα δύο πιο ευρέως χρησιμοποιούμενα μέλη είναι το Μείγμα Διεργασιών Dirichlet (DPM), το οποίο ομαδοποιεί παρατηρήσεις χωρίς να προκαθορίζει τον αριθμό των ομάδων, και η παλινδρόμηση με Γκαουσιανές Διεργασίες (GP), η οποία τοποθετεί μια εκ των προτέρων κατανομή απευθείας πάνω σε συναρτήσεις και εκτελεί παλινδρόμηση ή ταξινόμηση χωρίς να δεσμεύεται σε παραμετρική μορφή. Και τα δύο πλαίσια τυποποιήθηκαν στην μπεϋζιανή μη παραμετρική βιβλιογραφία, με την κανονική αντιμετώπιση των GP να δίνεται από τους Rasmussen και Williams (2006).
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Rasmussen, C.E. & Williams, C.K.I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0262182539
- Müller, P. & Quintana, F.A. (2004). Nonparametric Bayesian Data Analysis. Statistical Science, 19(1), 95–110. DOI: 10.1214/088342304000000017 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/el/bayesian/bayesian-nonparametric
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.
- Μπεϋζιανή ΠαλινδρόμησηΜπεϋζιανή Στατιστική↔ compare
- Διαδικασία ΓκάουςΜηχανική Μάθηση↔ compare
- Αλυσίδες Markov Monte Carlo (MCMC)Μπεϋζιανή Στατιστική↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →