Bayesilikud mittparameetrilised meetodid
Bayesilikud mittparameetrilised meetodid on paindlike bayesilikude mudelite perekond, kus mudeli keerukust ei määrata ette, vaid see kasvab automaatselt koos andmetega. Kaks enimkasutatud liiget on Dirichleti protsessi segu (DPM), mis rühmitab vaatlusi ilma rühmade arvu eelnevalt määramata, ja Gaussi protsessi (GP) regressioon, mis paigutab priori otse funktsioonidele ja teostab regressiooni või klassifitseerimist ilma parameetrilist vormi valimata. Mõlemad raamistikud formaliseeriti bayesiliku mittparameetrilise kirjanduse raames, kusjuures kanoonilise GP käsitluse andsid Rasmussen ja Williams (2006).
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/et/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.
- Bayes' regressioonBayesi meetodid↔ compare
- Gaussi protsessMasinõpe↔ compare
- Markovi ahel-Monte Carlo (MCMC)Bayesi meetodid↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →