Dirichletprocess-blandningsmodell
Dirichletprocess-blandningsmodellen (DPMM) är en icke-parametrisk Bayesiansk klustringsmetod som introducerades genom Ferguson (1973) Dirichletprocess-prior, vilken placerar en sannolikhetsfördelning över fördelningar. Till skillnad från ändliga blandningsmodeller kräver DPMM inte att analytikern specificerar antalet kluster i förväg; istället infererar den antalet komponenter från data, vilket möjliggör en effektivt obegränsad blandning som växer när fler observationer anländer.
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
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk regressionBayesiansk statistik↔ compare
- Latent Dirichlet Allocation (LDA)Maskininlärning↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk statistik↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →