Dirichlet' protsessi segamudel
Dirichlet' protsessi segamudel (DPMM) on mitteparameetriline Bayesi klasterdamismeetod, mis võeti kasutusele Fergusoni (1973) Dirichlet' protsessi priori kaudu, mis paigutab tõenäosusjaotuse jaotuste kohale. Erinevalt lõplikest segamudelitest ei nõua DPMM analüütikult klastrite arvu eelnevat määramist; selle asemel järeldab see komponentide arvu andmetest, võimaldades efektiivselt piiramatut segu, mis kasvab uute vaatluste saabudes.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/et/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' regressioonBayesi meetodid↔ compare
- Latent Dirichlet Allocation (LDA)Masinõpe↔ compare
- Markovi ahel-Monte Carlo (MCMC)Bayesi meetodid↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →