エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
記事へのコメント1件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
スライド 1
ノンパラメトリックベイズ モデルの複雑さが不明な場合 これまでに説明してきたK-means、EM、変分ベイ... ノンパラメトリックベイズ モデルの複雑さが不明な場合 これまでに説明してきたK-means、EM、変分ベイズなどは、 モデルの複雑さ、たとえばクラスタリングにおけるクラスタ数 は予め分かっているとしてモデル推定した。 しかし、実際はクラスタ数が不明の場合が多い。 ノンパラメトリックとは 観測データに応じてモデル自体の複雑さも学 習する クラスタリングの場合は、クラスタ数が予め分かっ ていない場合。観測データに適したクラスタ数も 推定 データから学習するということの直観 有限個の正規分布を配分比πkでの混合モデル:式(NP1) クラスタ数Kの値を観測データから最適化することによっ て推定する。 基本的アイデア:無限次元の連続分布から観測データ に適応した有限次元の離散分布を学習する。 ( ) ( )∑= = K k kk NPxNxp 1 )1(|,| θππθ 無限次