Dirichlet Process Gaussian Mixture Models： Choice of the Base Distribution
摘要
在为框架建模的贝叶斯的混合，推断部件的必要数字为数据建模是可能的并且因此明确地限制部件的数字是不必要的。Nonparametric 混合模型回避由无穷地假定许多部件发现混合部件的正确数字的问题。在这纸 Dirichlet 过程混合物(DPM ) ，模型用 Markov 链蒙特卡罗作为无限的混合模型和推论被扔被描述。模型参数上的 priors 的说明被数学、实际的便利经常指导。这份报纸的主要目标是比较选择结合并且 DPM 的班广泛地建模是的详细规格上的非结合的基础分布在应用使用了， Dirichlet 过程 Gaussian 混合模型(DPGMM ) 。我们比较计算效率和定义用的 DPGMM 的当模特儿的性能一 conjugate 并且一有条件地结合基础分发。我们证明更好的密度模型能源于使用 priors 的一个更宽的班没有或仅仅计算努力的谦虚增加。
引用本文（GB/T 7714）
Dilan, Goerur, Carl Friddle, 等. Dirichlet Process Gaussian Mixture Models： Choice of the Base Distribution[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2010.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。