Bayesian methods
贝叶斯非参数方法
贝叶斯非参数方法是一类灵活的贝叶斯模型，其模型复杂性不是预先固定的，而是随数据自动增长的。其中最广泛使用的两种方法是狄利克雷过程混合模型（Dirichlet Process Mixture, DPM）和高斯过程（Gaussian Process, GP）回归。DPM无需预先指定聚类数量即可对观测值进行聚类，而GP回归则直接在函数上设置先验，并在不限定参数形式的情况下执行回归或分类。这两种框架都在贝叶斯非参数文献中得到了形式化，其中GP的经典处理方法由Rasmussen和Williams（2006）给出。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 1). Bayesian Nonparametric Methods (Dirichlet Process / Gaussian Process). ScholarGate. https://scholargate.app/zh/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.
Compare side by side →