Modèle Bayésien de Mélange Gaussien
Le Modèle Bayésien de Mélange Gaussien (Bayesian Gaussian Mixture Model) place des distributions a priori sur tous les paramètres du mélange et en infère les distributions a posteriori — typiquement via Variational Bayes ou MCMC — plutôt que d'ajuster des estimations ponctuelles fixes. Ceci produit une quantification de l'incertitude fondée sur des principes, une sélection automatique du nombre effectif de composantes, et une résistance au surapprentissage sur de petits jeux de données.
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
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 10). Springer. ISBN: 978-0-387-31073-2
- Attias, H. (1999). Inferring parameters and structure of latent variable models by variational Bayes. Proceedings of the 15th Conference on Uncertainty in Artificial Intelligence (UAI), 21–30. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Gaussian Mixture Model (Variational Bayes / MCMC Inference). ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-gaussian-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.
- Processus GaussienApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Modèle gaussien de mélange semi-superviséApprentissage automatique↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →