贝叶斯非参数模型

贝叶斯非参数模型（Bayesian nonparametric model），工学-控制科学与工程-智能控制-智能控制-模糊控制-数据可视化，一种定义在无限维参数空间上的贝叶斯模型。非参数模型的大小可以随着模型内数据的增大或减小而自适应变化，因此可以根据数据的多少选择参数来确定模型。贝叶斯非参数模型需要假设参数，跟以往参数模型不同之处在于贝叶斯非参数模型只需要一个很小的假设就能够学习数据并对数据进行聚类，不断增加的数据能够不断地被聚集到相应的类中；同时，模型还具备预测的功能，可根据具体的学习问题选择与这个学习问题相关的包含所有参数的空间数据模型，并运用该模型解决具体的学习问题。模型中非参数的分析及模型选择，主要要归结到贝叶斯推断问题中。较为流行的贝叶斯非参数模型包括高斯回归过程，这是个结构随着样本的变化而不断发生变化的模型。还有一个用得较多的是狄利克雷混合过程，主要用于解决聚类问题，它将新来的数据不断地分到相应的类中。另外机器学习中的一些典型问题都可引入贝叶斯非参数模型，所以贝叶斯非参数模型可以称得上是一个应用较广的模型。