Dirichlet Process Mixture (DPM) 是一种自适应确定聚类数量的非参数贝叶斯聚类方法，与传统有限混合模型不同，它无需预先设定类别数。DPM 可以根据数据自动判断类别的数量，理论上类数随着样本数量的对数增长。该模型被视为Dirichlet Process的实例，其中每个样本都是一个可能在无限点上取值的离散随机变量的分布。DPM在实际应用中提供了一种灵活的聚类解决方案。
总结：
Dirichlet Process Mixture（DPM）是一个聚类方法，可以实现聚类个数的自适应确定。DPM被称为非参数贝叶斯聚类，是因为它与其他聚类方法不同，不需要指定需要聚类的个数。
具体的理论，本文没有深入。
比较好的参考文献：
Dirichlet Process (DP)被称为分布的分布。从DP抽取出的每个样本（一个函数）都可以被认为是一个离散随机变量的分布函数，这个随机变量以非零概率值在可数无穷个离散点上取值。
Dirichlet Process Mixture (DPM)是这种非参数贝叶斯聚类模型中的一个典型代表。DPM可以认为是有限混合（Finite Mixture，FM）模型的一个推广，FM（如Gaussian Mixture模型）必须首先给定类数，而DPM则不需要，它可以依据数据自行判断类数。理论上来说，DPM的类数随着log(样本点数量)的增长速度增长。
参考：
Dirichlet Process 和 Dirichlet Process Mixture模型 - BreezeDeus - 博客园
扫一扫
3734
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
