Preguntas etiquetadas con gaussian-process

Los procesos gaussianos se refieren a procesos estocásticos cuya realización consiste en variables aleatorias normalmente distribuidas, con la propiedad adicional de que cualquier colección finita de estas variables aleatorias tiene una distribución normal multivariada. La maquinaria de los procesos gaussianos puede emplearse en problemas de regresión y clasificación.





2
¿Cuál es el fundamento de la función de covarianza de Matérn?
La función de covarianza de Matérn se usa comúnmente como función de núcleo en el proceso gaussiano. Se define así Cν(d)=σ221−νΓ(ν)(2ν−−√dρ)νKν(2ν−−√dρ)Cν(d)=σ221−νΓ(ν)(2νdρ)νKν(2νdρ) {\displaystyle C_{\nu }(d)=\sigma ^{2}{\frac {2^{1-\nu }}{\Gamma (\nu )}}{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}^{\nu }K_{\nu }{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}} donde ddd es una función de distancia …



1
Proceso gaussiano: propiedades de aproximación de funciones
Estoy aprendiendo sobre el Proceso Gaussiano y solo he escuchado fragmentos. Realmente agradecería comentarios y respuestas. Para cualquier conjunto de datos, ¿es cierto que una aproximación de la función del Proceso Gaussiano daría un error de ajuste cero o insignificante en los puntos de datos? En otro lugar también escuché …

2
¿Qué es una distribución sobre funciones?
Estoy leyendo un libro de texto Proceso Gaussiano para Aprendizaje Automático por CE Rasmussen y CKI Williams y tengo algunos problemas para entender qué significa la distribución sobre las funciones . En el libro de texto, se da un ejemplo, que uno debería imaginar una función como un vector muy …


3
Splines vs regresión del proceso gaussiano
Sé que la regresión de procesos gaussiana (GPR) es una alternativa al uso de splines para ajustar modelos no lineales flexibles. Me gustaría saber en qué situaciones una sería más adecuada que la otra, especialmente en el marco de regresión bayesiano. Ya he visto ¿Cuáles son las ventajas / desventajas …


1
Ajuste de hiperparámetros en la regresión del proceso gaussiano
KKij=k(xi,xj)=b-1exp(-1Iniciar sesión( y | X, θ ) = - 12yTK- 1yy - 12Iniciar sesión( det ( K) ) - n2Iniciar sesión( 2 π)log⁡(y|X,θ)=−12yTKy−1y−12log⁡(det(K))−n2log⁡(2π)\log(\mathbf{y}|X,\mathbf{\theta})=-\frac{1}{2} \mathbf{y}^TK_y^{-1}\mathbf{y}-\frac{1}{2}\log(\det(K))-\frac{n}{2}\log(2\pi)KKKM=lIa,blKyo j= k ( xyo, xj) = b- 1Exp( - 12( xyo- xj)TMETRO( xyo- xj) ) + a- 1δyo jKij=k(xi,xj)=b−1exp⁡(−12(xi−xj)TM(xi−xj))+a−1δijK_{ij}=k(x_i,x_j)=b^{-1}\exp(-\frac{1}{2}(x_i-x_j)^TM(x_i-x_j))+a^{-1}\delta_{ij}METRO= l IM=lIM=lIa , ba,ba,blll La derivada parcial …


2
Beneficios de procesos gaussianos
Tengo esta confusión relacionada con los beneficios de los procesos gaussianos. Me refiero a compararlo con una regresión lineal simple, donde hemos definido que la función lineal modela los datos. Sin embargo, en los procesos gaussianos, definimos la distribución de las funciones, lo que significa que no definimos específicamente que …

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.