Metody bayesowskie nieparametryczne
Metody bayesowskie nieparametryczne to rodzina elastycznych modeli bayesowskich, w których złożoność modelu nie jest ustalana z góry, lecz automatycznie rośnie wraz z danymi. Dwa najczęściej stosowane człony to Mieszanina Procesu Dirichleta (DPM), która grupuje obserwacje bez wstępnego określania liczby grup, oraz regresja Procesu Gaussa (GP), która nakłada prior bezpośrednio na funkcje i wykonuje regresję lub klasyfikację bez przywiązania do postaci parametrycznej. Oba ramy zostały sformalizowane w literaturze bayesowskiej nieparametrycznej, z kanonicznym ujęciem GP przedstawionym przez Rasmussena i Williamsa (2006).
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/pl/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.
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →