Bayesian Nonparametric Methods
Bayesian nonparametric methods are a family of flexible Bayesian models in which model complexity is not fixed in advance but grows automatically with the data. The two most widely used members are the Dirichlet Process Mixture (DPM), which clusters observations without pre-specifying the number of clusters, and Gaussian Process (GP) regression, which places a prior directly over functions and performs regression or classification without committing to a parametric form. Both frameworks were formalised in the Bayesian nonparametric literature, with the canonical GP treatment given by Rasmussen and Williams (2006).
Forrásrekord
A hivatkozások szó szerint a módszer forrásrekordjából kerültek átvételre. Ezekből nem következtethető ki állítás-szintű ellenőrzés.
- 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
Kurált állítások
Az állítások a bizonyíték-jegyzőkönyvben tárolódtak, mindegyik saját értékeléssel.
Ez a nézet nem hoz létre állítás-értékelést, ha a jegyzőkönyvben nincs.
Kapcsolódó módszerek
A módszergráfból generálva és gépi javaslatú kapcsolatokként jelenítve meg – nem következtethető ki bizonyíték-állítás.