Bajezijanske neparametarske metode
Bajezijanske neparametarske metode su familija fleksibilnih bajezijanskih modela kod kojih složenost modela nije fiksirana unapred, već automatski raste sa podacima. Dva najčešće korišćena člana su Dirihleov proces mešavine (DPM), koji klasterizuje opservacije bez prethodnog specificiranja broja klastera, i Gausov proces (GP) regresije, koji postavlja prior direktno na funkcije i vrši regresiju ili klasifikaciju bez obavezivanja na parametarski oblik. Oba okvira su formalizovana u bajezijanskoj neparametarskoj literaturi, sa kanonskim GP tretmanom koji su dali Rasmussen i Williams (2006).
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/sr/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.
- Bejzijevska regresijaBajesovska statistika↔ compare
- Gausov procesMašinsko učenje↔ compare
- Markov Chain Monte Carlo (MCMC)Bajesovska statistika↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →