Bayesilaiset nonparametriset menetelmät
Bayesilaiset nonparametriset menetelmät ovat joustavien Bayesilaisten mallien perhe, joissa mallin kompleksisuus ei ole ennalta määrätty, vaan kasvaa automaattisesti datan mukana. Kaksi laajimmin käytettyä jäsentä ovat Dirichlet-prosessisekoitus (DPM), joka klusteroi havaintoja ennalta määräämättä klusterien lukumäärää, ja Gaussin prosessi (GP) -regressio, joka asettaa priorin suoraan funktioille ja suorittaa regression tai luokittelun sitoutumatta parametriseen muotoon. Molemmat viitekehykset formalisoitiin Bayesilaisessa nonparametrisessa kirjallisuudessa, ja kanonisen GP-käsittelyn esittivät Rasmussen ja Williams (2006).
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/fi/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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Gaussinen prosessiKoneoppiminen↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →