Model mieszaniny procesów Dirichleta
Model mieszaniny procesów Dirichleta (DPMM) jest nieparametryczną bayesowską metodą klasteryzacji, wprowadzoną dzięki procesowi Dirichleta jako prior Fergusonowi (1973), który umieszcza rozkład prawdopodobieństwa na rozkładach. W przeciwieństwie do skończonych modeli mieszanych, DPMM nie wymaga od analityka wcześniejszego określenia liczby klastrów; zamiast tego wnioskuje liczbę komponentów z danych, umożliwiając efektywnie nieograniczoną mieszaninę, która rośnie w miarę napływu kolejnych obserwacji.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/pl/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.
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Rozkład Dirichleta (LDA)Uczenie maszynowe↔ compare
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →