Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Байєсівська регресія× | Розподіл Діріхле для прихованих тем (LDA)× | |
|---|---|---|
| Галузь≠ | Баєсові методи | Машинне навчання |
| Родина≠ | Bayesian methods | Latent structure |
| Рік появи≠ | — | 2003 |
| Автор методу≠ | — | Blei, D. M.; Ng, A. Y.; Jordan, M. I. |
| Тип≠ | Bayesian linear model | Generative probabilistic topic model (three-level hierarchical Bayesian) |
| Основоположне джерело≠ | Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955 | Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022. DOI ↗ |
| Інші назви≠ | bayesian linear regression, probabilistic regression, bayesian regresyon | LDA, topic model, Blei-Ng-Jordan model, probabilistic topic modeling |
| Пов'язані≠ | 2 | 3 |
| Підсумок≠ | Bayesian regression is a probabilistic version of linear regression that treats the model parameters as uncertain quantities. Instead of returning a single best-fit estimate, it combines prior knowledge with the observed data to produce a full posterior probability distribution for each parameter, from which credible intervals and predictions are read off. | Latent Dirichlet Allocation (LDA) is a generative probabilistic model for collections of discrete data, introduced by Blei, Ng, and Jordan in 2003. It treats each document as a mixture of latent topics and each topic as a probability distribution over words, enabling unsupervised discovery of thematic structure across large text corpora. It is one of the most cited papers in machine learning and natural language processing. |
| ScholarGateНабір даних ↗ |
|
|