Dirichlet Folyamat Keverék Modell
A Dirichlet Folyamat Keverék Modell (DPMM) egy nemparametrikus Bayes-i klaszterezési módszer, amelyet Ferguson (1973) Dirichlet folyamat priorja vezetett be, amely valószínűségi eloszlást helyez el az eloszlások felett. A véges keverék modellekkel ellentétben a DPMM nem követeli meg az elemzőtől a klaszterek számának előzetes meghatározását; ehelyett a komponensek számát az adatokból inferálja, lehetővé téve egy effektíve korlátlan keveréket, amely több megfigyelés érkezésével növekszik.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle RegresszióBayes-statisztika↔ compare
- Latens Dirichlet-eloszlás (LDA)Gépi tanulás↔ compare
- Markov-lánc Monte Carlo (MCMC)Bayes-statisztika↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →