Байесовские непараметрические методы

Байесовские непараметрические методы представляют собой семейство гибких байесовских моделей, в которых сложность модели не фиксируется заранее, а автоматически увеличивается с ростом объема данных. Двумя наиболее широко используемыми представителями являются смесь процессов Дирихле (DPM), которая кластеризует наблюдения без предварительного указания количества кластеров, и регрессия гауссовских процессов (GP), которая задает априорное распределение непосредственно на функциях и выполняет регрессию или классификацию без привязки к параметрической форме. Обе концепции были формализованы в байесовской непараметрической литературе, при этом каноническое изложение GP представлено Rasmussen и Williams (2006).