แบบจำลองส่วนผสมกระบวนการดีริชเลต์
แบบจำลองส่วนผสมกระบวนการดีริชเลต์ (DPMM) เป็นวิธีการจัดกลุ่มแบบเบย์แบบไม่ใช้พารามิเตอร์ที่แนะนำผ่านกระบวนการดีริชเลต์ก่อนของ Ferguson (1973) ซึ่งกำหนดการแจกแจงความน่าจะเป็นเหนือการแจกแจงต่างๆ ซึ่งแตกต่างจากแบบจำลองส่วนผสมแบบจำกัด DPMM ไม่จำเป็นต้องให้นักวิเคราะห์ระบุจำนวนกลุ่มล่วงหน้า แต่จะอนุมานจำนวนองค์ประกอบจากข้อมูล ทำให้ส่วนผสมที่ไม่มีขีดจำกัดอย่างมีประสิทธิภาพซึ่งเติบโตขึ้นเมื่อมีการสังเกตเพิ่มเติมเข้ามา
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Dirichlet Process Mixture Model. ScholarGate. https://scholargate.app/th/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.
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ compare
- [NEEDS TRANSLATION]การเรียนรู้ของเครื่อง↔ compare
- Markov Chain Monte Carlo (MCMC)เบย์↔ compare