zhangsj1007的博客

直接将G带入有些困难，这里面使用了狄利克雷分布和多项式分布共轭的性质。相等，那么我们能够相信这a个对应的样本x属于同一类的。可以看到新的DP的base measure。，和之前的H相比，新加了一个离散的项。要从一个离散的分布，即G中产生。每一个样本都有自己对应的。，有多少个样本就有多少个。

如下图的一个简单样本，如果我们不知道图中的样本是出自几个高斯分布，那我们如果求这个图中的样本应该归属于几个高斯分布那？直观看上去，有同学可能说是4个，有同学可能说是2个，然而如果是高维数据那？，这里面的DP代表Dirichlet Process，即狄利克雷过程，这里面的。又出自分布H，H可能是连续的也可能是离散的，可以同归DP产生G的一个随机测度。那么我们想通过一种方法，获得H的一个离散的版本，即。都对应一个产生它的分布，且这个分布的参数为。，那么G就是一个值，如果。是一个连续的分布，那么。

所以同理我们有如下的predictive distribution，k代表有k个partition。中国餐馆过程（Chinese Restaurant Process）将 （2）带入 （1）（2式中的前两项消掉，只剩下第三项；最终属于某一个partition 里面，其实我们并不关心。这里面是知道已有的变量的值，能够推测新的变量值。属于哪一个partition里面。数据哪个partition的值用。具体的数值是多少，我们关心的是。

本节来介绍如何构造G，这里使用Stick-breaking construction算法。以此类推，可以得到无数个item，且。对于G，这里面有2个变量，一个是。，即采样的位置，一个是。

都是H的一个随机测度，这些测度应该有一定的关系，这里面将H分为d个区域，d可以是任意值，每个区域。，G是H的一个测度，这个测度可以计算无数次，每次都会得到一个随机测度。，即Dirichlet Distribution（狄利克雷分布）