高斯过程:函数逼近性质


16

我正在学习高斯过程,只听过一点点的内容。非常感谢您提出意见和答案。

对于任何数据集,高斯过程函数逼近在数据点处给出零或可忽略的拟合误差是真的吗?在另一个地方,我还听说过高斯过程对于嘈杂的数据特别有用。这似乎与任何观察到的数据的低拟合误差相冲突?

此外,离数据点越远,不确定性就越大(协方差更大)。如果是这样,它的行为是否类似于本地模型(RBF等)?

最后,是否有任何通用逼近性质?

Answers:


17

假设数据样本为。还假设,我们有一个协方差函数k x 1x 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)}i=1Nk(x1,x2)x

m(x)=kK1y
V(x)=k(x,x)kK1kT.
k={k(x,x1),,k(x,xN)}K={k(xi,xj)}i,j=1N
m(X)=KK1y=y.
K+σIK
m(X)=K(K+σI)1yy.

σσ=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Øñ,在哪里 ñ 是数据维度。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.