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).
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.