Dirichlet-prosess-blandingsmodell
Dirichlet-prosess-blandingsmodellen (DPMM) er en ikke-parametrisk Bayesiansk klyngemetode introdusert gjennom Ferguson (1973) sin Dirichlet-prosess prior, som plasserer en sannsynlighetsfordeling over fordelinger. I motsetning til endelige blandingsmodeller, krever ikke DPMM at analytikeren spesifiserer antall klynger på forhånd; i stedet infererer den antall komponenter fra dataene, noe som tillater en effektivt ubegrenset blanding som vokser etter hvert som flere observasjoner ankommer.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk regresjonBayesiansk↔ compare
- Latent Dirichlet Allocation (LDA)Maskinlæring↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →