Modello di Miscela con Processo di Dirichlet
Il Modello di Miscela con Processo di Dirichlet (DPMM) è un metodo di clustering bayesiano non parametrico introdotto attraverso il processo di Dirichlet a priori di Ferguson (1973), che pone una distribuzione di probabilità sulle distribuzioni. A differenza dei modelli di miscela finita, il DPMM non richiede all'analista di specificare in anticipo il numero di cluster; inferisce invece il numero di componenti dai dati, consentendo una miscela effettivamente illimitata che cresce all'arrivo di nuove osservazioni.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/it/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.
- Regressione BayesianaBayesiano↔ compare
- Latent Dirichlet Allocation (LDA)Apprendimento automatico↔ compare
- Catena di Markov Monte Carlo (MCMC)Bayesiano↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →