Bayesianska icke-parametriska metoder
Bayesianska icke-parametriska metoder är en familj av flexibla Bayesianska modeller där modellkomplexiteten inte är fastställd i förväg utan växer automatiskt med data. De två mest använda medlemmarna är Dirichletprocessblandningar (DPM), som klustrar observationer utan att förspecificera antalet kluster, och Gaussisk process (GP) regression, som placerar en prior direkt över funktioner och utför regression eller klassificering utan att binda sig till en parametrisk form. Båda ramverken formaliserades i den Bayesianska icke-parametriska litteraturen, med den kanoniska GP-behandlingen given av Rasmussen och Williams (2006).
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk regressionBayesiansk statistik↔ compare
- Gaussisk processMaskininlärning↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk statistik↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →