标签为 mixture model 的文章

自动边缘化离散变量

PyMC非常适合对具有离散潜在变量的模型进行采样。但如果你坚持只使用NUTS采样器，你需要以某种方式消除离散变量。最好的方法是边缘化它们，这样你可以受益于Rao-Blackwell定理，并获得参数的较低方差估计。

阅读更多 ...

自动边缘化离散变量

PyMC非常适合对具有离散潜在变量的模型进行采样。但如果你坚持只使用NUTS采样器，你需要以某种方式消除离散变量。最好的方法是边缘化它们，这样你可以受益于Rao-Blackwell定理，并获得参数的较低方差估计。

阅读更多 ...

自动边缘化离散变量

PyMC非常适合对具有离散潜在变量的模型进行采样。但如果你坚持只使用NUTS采样器，你需要以某种方式消除离散变量。最好的方法是边缘化它们，这样你可以受益于Rao-Blackwell定理，并获得参数的较低方差估计。

阅读更多...

自动边缘化离散变量

PyMC非常适合对具有离散潜在变量的模型进行采样。但如果你坚持只使用NUTS采样器，你需要以某种方式消除离散变量。最好的方法是边缘化它们，这样你可以受益于Rao-Blackwell定理，并获得参数的较低方差估计。

阅读更多...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多 ...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多 ...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多...

高斯混合模型

一个混合模型允许我们对数据分布的组成部分进行推断。更具体地说，高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多...

多项式混合的狄利克雷混合

这个示例笔记本演示了如何使用Dirichlet混合多项式（也称为Dirichlet-multinomial或DM）来建模分类计数数据。 这类模型在包括自然语言处理、生态学、生物信息学等多个领域中都非常重要。

阅读更多 ...

多项式混合的狄利克雷分布

这个示例笔记本演示了如何使用Dirichlet混合多项式（也称为Dirichlet-multinomial或DM）来建模分类计数数据。 这类模型在包括自然语言处理、生态学、生物信息学等多个领域中都非常重要。

阅读更多 ...

多项式混合的狄利克雷分布

这个示例笔记本演示了如何使用Dirichlet混合多项式（也称为Dirichlet-multinomial或DM）来建模分类计数数据。 这类模型在包括自然语言处理、生态学、生物信息学等多个领域中都非常重要。

阅读更多 ...

多项式混合的狄利克雷分布

这个示例笔记本演示了如何使用Dirichlet混合多项式（也称为Dirichlet-multinomial或DM）来建模分类计数数据。 这类模型在包括自然语言处理、生态学、生物信息学等多个领域中都非常重要。

阅读更多...

边际高斯混合模型

高斯混合模型是一种适用于表现出亚群异质性数据的灵活模型类别。下面展示了一个此类数据集的简单示例。

阅读更多 ...

边际高斯混合模型

高斯混合模型是一种适用于表现出亚群异质性数据的灵活模型类别。下面展示了一个此类数据集的简单示例。

阅读更多 ...

边际高斯混合模型

高斯混合模型是一种适用于表现出亚群异质性数据的灵活模型类别。下面展示了一个此类数据集的简单示例。

阅读更多 ...

边缘化高斯混合模型

高斯混合模型是一种适用于表现出亚群异质性数据的灵活模型类别。下面展示了一个此类数据集的简单示例。

阅读更多 ...

用于密度估计的Dirichlet过程混合模型

Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，

阅读更多 ...

用于密度估计的Dirichlet过程混合模型

Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，

阅读更多 ...

用于密度估计的狄利克雷过程混合模型

Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，

阅读更多 ...

用于密度估计的Dirichlet过程混合模型

Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，

阅读更多 ...