Dirichlet Process Mixture Model
Het Dirichlet Process Mixture Model (DPMM) is een niet-parametrische Bayesiaanse clusteringmethode die werd geïntroduceerd via Ferguson's (1973) Dirichlet process prior, die een kansverdeling over verdelingen plaatst. In tegenstelling tot eindige mengselmodellen, vereist de DPMM niet dat de analist het aantal clusters van tevoren specificeert; in plaats daarvan leidt het het aantal componenten uit de data af, waardoor een effectief onbegrensd mengsel ontstaat dat groeit naarmate er meer observaties binnenkomen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/nl/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.
- Bayesian RegressieBayesiaanse statistiek↔ compare
- Latente Dirichlet Allocatie (LDA)Machine learning↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiaanse statistiek↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →