假设数据样本为。还假设,我们有一个协方差函数k (x 1,x 2),并且为Gussian过程指定了零均值。新点x的分布将为高斯,均值m (x)= k K − 1 yD=(X,y)={xi,yi=y(xi)}Ni=1k(x1,x2)x
m(x)=kK−1y
V(x)=k(x,x)−kK−1kT.
k={k(x,x1),…,k(x,xN)}K={k(xi,xj)}Ni,j=1m(X)=KK−1y=y.
K+σIKm(X)=K(K+σI)−1y≠y.
σ σ= 0),或者我们要处理嘈杂的观察结果(σ 大)。
同样,高斯过程回归是局部方法,因为预测的方差随与学习样本的距离而增加,但是我们可以选择适当的协方差函数 ķ并且比RBF能够处理更复杂的问题。另一个不错的属性是参数数量少。通常等于O (n ),在哪里 ñ 是数据维度。