Dirihleta procesa maisījuma modelis
Dirihleta procesa maisījuma modelis (DPMM) ir neparametriska beijesiešu grupēšanas metode, kas ieviesta, izmantojot Fergusona (1973) Dirihleta procesa iepriekšējo sadalījumu, kas nosaka varbūtības sadalījumu pār sadalījumiem. Atšķirībā no galīgiem maisījuma modeļiem, DPMM neprasa analītiķim iepriekš noteikt grupu skaitu; tā vietā tā secina komponentu skaitu no datiem, atļaujot efektīvi neierobežotu maisījumu, kas pieaug, ienākot vairāk novērojumu.
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
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/lv/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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Latent Dirichlet Allocation (LDA)Mašīnmācīšanās↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →