Bajesa neparametriskās metodes
Neibayesiskās neparametriskās metodes ir elastīgu Bajesas modeļu saime, kurā modeļa sarežģītība nav noteikta iepriekš, bet automātiski pieaug līdz ar datiem. Divi visplašāk izmantotie locekļi ir Dirihlēna procesu maisījums (DPM), kas grupē novērojumus, iepriekš nenosakot grupu skaitu, un Gausa procesu (GP) regresija, kas nosaka pirmsaistību tieši funkcijām un veic regresiju vai klasifikāciju, neuzliekot parametrisku formu. Abi ietvari tika formalizēti neparametriskajā Bajesas literatūrā, kanonisko GP apstrādi sniedzot Rasmussen un Williams (2006).
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/lv/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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Gausa processMašīnmācīšanās↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →