Dirichlet-prosessin sekoitusmalli
Dirichlet-prosessin sekoitusmalli (DPMM) on ei-parametrinen Bayesiläinen klusterointimenetelmä, joka esiteltiin Fergusonin (1973) Dirichlet-prosessin priorin kautta, joka asettaa todennäköisyysjakauman jakaumien yli. Toisin kuin äärelliset sekoitusmallit, DPMM ei vaadi analyytikkoa määrittämään klusterien lukumäärää etukäteen; sen sijaan se päättelee komponenttien lukumäärän datasta, mahdollistaen tehokkaasti rajoittamattoman sekoituksen, joka kasvaa uusien havaintojen saapuessa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/fi/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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Latent Dirichlet Allocation (LDA)Koneoppiminen↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →