Modelo de Mezcla de Procesos de Dirichlet
El Modelo de Mezcla de Procesos de Dirichlet (DPMM) es un método de agrupamiento bayesiano no paramétrico introducido a través de la distribución a priori de Dirichlet de Ferguson (1973), que coloca una distribución de probabilidad sobre distribuciones. A diferencia de los modelos de mezcla finita, el DPMM no requiere que el analista especifique el número de clústeres de antemano; en su lugar, infiere el número de componentes a partir de los datos, permitiendo una mezcla efectivamente ilimitada que crece a medida que llegan más observaciones.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/es/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.
- Regresión bayesianaBayesiano↔ compare
- Asignación Latente de Dirichlet (LDA)Aprendizaje automático↔ compare
- Cadenas de Markov Monte Carlo (MCMC)Bayesiano↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →