Dirichlet process - 편집 역사

Admin: /* 기타 */

2017-06-21T01:36:26Z

기타

Admin: /* 기타 */

2017-06-21T01:33:32Z

기타

Admin: /* 기타 */

2017-06-20T16:39:17Z

기타

Admin: /* 기타 */

2017-06-20T16:33:04Z

기타

Admin: /* 기타 */

2017-06-20T16:32:25Z

기타

Admin: /* 기타 */

2017-06-20T16:30:36Z

기타

Admin: /* 기타 */

2017-06-20T16:29:22Z

기타

Admin: /* 기타 */

2017-06-20T16:27:15Z

기타

Admin: /* 기타 */

2017-06-20T16:26:56Z

기타

2017년 6월 20일 (화) 16:26에 Admin님의 편집

2017-06-20T16:26:18Z

@@ 35번째 줄: / 35번째 줄: @@
 ===기타===
 [https://en.wikipedia.org/wiki/Dirichlet_process#External_links 위키페이지 맨 끝 external links section]에 좋은 문서들이 많이 링크되어 있는 것 같다.
 [http://enginius.tistory.com/397 한글로 된 블로그(Mad for Simplicity) 글]중에 [[DPGMM]](Dirichlet Process Gaussian Mixture Models) 예제코드가 있다. DP와의 차이점은,

@@ 38번째 줄: / 38번째 줄: @@
 [http://enginius.tistory.com/397 한글로 된 블로그(Mad for Simplicity) 글]중에 [[DPGMM]](Dirichlet Process Gaussian Mixture Models) 예제코드가 있다. DP와의 차이점은,
 # DP는 \(X_i\)를 하나씩 넣으면서 \(x\)를 assign하지만, 처음부터 모든 \(X_i\)에 초기값(클러스터 숫자(k)를 한개로 시작하려면 모두 1, 아니면 초기 클러스터 숫자를 랜덤하게 배분. 예를들어 k=3에서 시작하려면 1,2,3을 랜덤하게 배분.)을 배당한다.
-# 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 후 다시 그것을 확률삼아 할당한다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)<br>확률을 위처럼 두면 합이 1이 되나 궁금하긴 한데 안찾아봤음. <br>For {{c|mvnpdf}}, refer [https://kr.mathworks.com/help/stats/mvnpdf.html?requestedDomain=www.mathworks.com mathworks].
+# 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 것을 최종 확률로 쓴다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)<br>확률을 위처럼 두면 합이 1이 되나 궁금하긴 한데 안찾아봤음. <br>For {{c|mvnpdf}}, refer [https://kr.mathworks.com/help/stats/mvnpdf.html?requestedDomain=www.mathworks.com mathworks].

@@ 38번째 줄: / 38번째 줄: @@
 [http://enginius.tistory.com/397 한글로 된 블로그(Mad for Simplicity) 글]중에 [[DPGMM]](Dirichlet Process Gaussian Mixture Models) 예제코드가 있다. DP와의 차이점은,
 # DP는 \(X_i\)를 하나씩 넣으면서 \(x\)를 assign하지만, 처음부터 모든 \(X_i\)에 초기값(클러스터 숫자(k)를 한개로 시작하려면 모두 1, 아니면 초기 클러스터 숫자를 랜덤하게 배분. 예를들어 k=3에서 시작하려면 1,2,3을 랜덤하게 배분.)을 배당한다.
-# 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 후 다시 그것을 확률삼아 할당한다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)<br>확률을 위처럼 두면 합이 1이 되나 궁금하긴 한데 안찾아봤음.
+# 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 후 다시 그것을 확률삼아 할당한다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)<br>확률을 위처럼 두면 합이 1이 되나 궁금하긴 한데 안찾아봤음. <br>For {{c|mvnpdf}}, refer [https://kr.mathworks.com/help/stats/mvnpdf.html?requestedDomain=www.mathworks.com mathworks].

@@ 36번째 줄: / 36번째 줄: @@
 [https://en.wikipedia.org/wiki/Dirichlet_process#External_links 위키페이지 맨 끝 external links section]에 좋은 문서들이 많이 링크되어 있는 것 같다.
-[http://enginius.tistory.com/397 한글로 된 블로그(Mad for Simplicity) 글]중에 DPGMM(Dirichlet Process Gaussian Mixture Models) 예제코드가 있다. DP와의 차이점은,
+[http://enginius.tistory.com/397 한글로 된 블로그(Mad for Simplicity) 글]중에 [[DPGMM]](Dirichlet Process Gaussian Mixture Models) 예제코드가 있다. DP와의 차이점은,
 # DP는 \(X_i\)를 하나씩 넣으면서 \(x\)를 assign하지만, 처음부터 모든 \(X_i\)에 초기값(클러스터 숫자(k)를 한개로 시작하려면 모두 1, 아니면 초기 클러스터 숫자를 랜덤하게 배분. 예를들어 k=3에서 시작하려면 1,2,3을 랜덤하게 배분.)을 배당한다.
 # 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 후 다시 그것을 확률삼아 할당한다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)<br>확률을 위처럼 두면 합이 1이 되나 궁금하긴 한데 안찾아봤음.

@@ 38번째 줄: / 38번째 줄: @@
 [http://enginius.tistory.com/397 한글로 된 블로그(Mad for Simplicity) 글]중에 DPGMM(Dirichlet Process Gaussian Mixture Models) 예제코드가 있다. DP와의 차이점은,
 # DP는 \(X_i\)를 하나씩 넣으면서 \(x\)를 assign하지만, 처음부터 모든 \(X_i\)에 초기값(클러스터 숫자(k)를 한개로 시작하려면 모두 1, 아니면 초기 클러스터 숫자를 랜덤하게 배분. 예를들어 k=3에서 시작하려면 1,2,3을 랜덤하게 배분.)을 배당한다.
-# 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 후 다시 그것을 확률삼아 할당한다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)
+# 새로운 클러스터 생성확률을 \(\displaystyle \max[\text{p}(j)] \times \frac{\alpha}{n -1 + \alpha} \) where \(\displaystyle \text{p}(j) = \text{p}'(j) \frac{n_j}{n -1 + \alpha} \)로 둔다. 여기서 p\('(j)\)를 matlab code로 나타내면,<pre>mvnpdf(cur_pt, center{j}, diag([sigma2_x, sigma2_y]))</pre>. 즉, basic한 DP에서 쓰는 확률값에 적당한 scaling factor를 곱한 후 다시 그것을 확률삼아 할당한다. 새로운 점이 할당될때마다 기존 데이터가 변하므로 iteration을 여러번 돌아야 한다(basic DP는 그렇지 않다. 한번 할당하면 fix된다)<br>확률을 위처럼 두면 합이 1이 되나 궁금하긴 한데 안찾아봤음.