Model Campuran Proses Dirichlet
Model Campuran Proses Dirichlet (DPMM) ialah kaedah pengelompokan Bayesian nonparametrik yang diperkenalkan melalui prior proses Dirichlet Ferguson (1973) yang meletakkan taburan kebarangkalian ke atas taburan. Berbeza dengan model campuran terhingga, DPMM tidak memerlukan penganalisis untuk menentukan bilangan kelompok terlebih dahulu; sebaliknya ia menyimpulkan bilangan komponen daripada data, membenarkan campuran yang tidak terhad secara berkesan yang berkembang apabila lebih banyak pemerhatian tiba.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/ms/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.
- Regresi BayesianBayesian↔ compare
- Peruntukan Dirichlet Latent (LDA)Pembelajaran Mesin↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesian↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →