Смесь с процессом Дирихле (Dirichlet Process Mixture Model, DPMM)
Смесь с процессом Дирихле (DPMM) — это непараметрический байесовский метод кластеризации, представленный на основе априорного распределения процесса Дирихле Фергюсона (Ferguson, 1973), которое определяет вероятностное распределение над распределениями. В отличие от конечных смесевых моделей, DPMM не требует от аналитика предварительного задания числа кластеров; вместо этого модель выводит число компонент из данных, допуская эффективно неограниченное число компонент, которое растет по мере поступления новых наблюдений.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/ru/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.
- Байесовская регрессияБайесовские методы↔ compare
- Латентное размещение Дирихле (LDA)Машинное обучение↔ compare
- Метод Монте-Карло по цепям Маркова (MCMC)Байесовские методы↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →