Bayesijanski nenamjerni (neparametarski) metodi
Bayesijanski nenamjerni metodi obitelj su fleksibilnih Bayesijanskih modela u kojima složenost modela nije unaprijed fiksirana, već automatski raste s podacima. Dva najčešće korištena člana su Mješavina Dirichletovog procesa (DPM), koja grupiraju opažanja bez prethodnog specificiranja broja grupa, i Gaussovska procesna (GP) regresija, koja stavlja apriorni raspored izravno na funkcije i provodi regresiju ili klasifikaciju bez obvezivanja na parametarski oblik. Oba okvira formalizirana su u Bayesijanskoj nenamjernoj literaturi, s kanonskim GP tretmanom koji su dali Rasmussen i Williams (2006).
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/hr/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.
- Bayesovska regresijaBayesovska statistika↔ compare
- Gaussovi procesiStrojno učenje↔ compare
- Markovova lančana Monte Carlo (MCMC)Bayesovska statistika↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →