Modelo de Mistura de Processo de Dirichlet
O Modelo de Mistura de Processo de Dirichlet (DPMM) é um método não paramétrico Bayesiano de clusterização introduzido através do prior de processo de Dirichlet de Ferguson (1973), que coloca uma distribuição de probabilidade sobre distribuições. Diferentemente de modelos de mistura finita, o DPMM não exige que o analista especifique o número de clusters antecipadamente; em vez disso, ele infere o número de componentes a partir dos dados, permitindo uma mistura efetivamente ilimitada que cresce à medida que mais observações chegam.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/pt/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.
- Regressão BayesianaBayesiano↔ compare
- Alocação de Dirichlet Latente (LDA)Aprendizado de máquina↔ compare
- Cadeia de Markov Monte Carlo (MCMC)Bayesiano↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →