Modèle de Mélange à Processus de Dirichlet
Le Modèle de Mélange à Processus de Dirichlet (DPMM) est une méthode de clustering bayésienne non paramétrique introduite par le processus de Dirichlet de Ferguson (1973) comme a priori, qui place une distribution de probabilité sur des distributions. Contrairement aux modèles de mélange finis, le DPMM ne demande pas à l'analyste de spécifier le nombre de clusters à l'avance ; il infère plutôt le nombre de composantes à partir des données, permettant un mélange effectivement illimité qui croît à mesure que de nouvelles observations arrivent.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/fr/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.
- Régression bayésienneBayésien↔ compare
- Latent Dirichlet Allocation (LDA)Apprentissage automatique↔ compare
- Chaîne de Markov Monte Carlo (MCMC)Bayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →