Bayes-féle nemparaméteres módszerek
A Bayes-féle nemparaméteres módszerek rugalmas Bayes-féle modellek olyan családja, ahol a modell komplexitása nincs előre rögzítve, hanem automatikusan növekszik az adatokkal. A két legelterjedtebb tag a Dirichlet-folyamatos keverék (DPM), amely az előre meghatározott klaszterek száma nélkül klasztereli az észleléseket, és a Gauss-folyamatos (GP) regresszió, amely közvetlenül a függvényekre helyez előzetes eloszlást, és paraméteres forma megadása nélkül végez regressziót vagy osztályozást. Mindkét keretrendszert a Bayes-féle nemparaméteres szakirodalom formalizálta, a kanonikus GP-kezelést Rasmussen és Williams (2006) adta meg.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle RegresszióBayes-statisztika↔ compare
- Gauss-folyamatGépi tanulás↔ compare
- Markov-lánc Monte Carlo (MCMC)Bayes-statisztika↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →