我正在阅读CE Rasmussen和CKI Williams 的教科书《高斯机器学习过程》,并且在理解函数分布的含义时遇到了一些麻烦。在教科书中,给出了一个示例,该示例将一个函数想象为一个很长的向量(实际上,它应该无限长吗?)。因此,我认为函数上的分布是这样的矢量值“上方”绘制的概率分布。那么函数是否有可能采用该特定值呢?还是函数将采用给定范围内的值的可能性?还是在函数上分配是分配给整个函数的概率?
从教科书中引用:
第1章:简介,第2页
高斯过程是对高斯概率分布的概括。概率分布描述的是标量或向量的随机变量(对于多元分布),而随机过程控制函数的属性。抛开数学的复杂性,人们可以松散地将函数视为一个很长的向量,向量中的每个条目都在特定输入x处指定函数值f(x)。事实证明,尽管这个想法有些天真,但却令人惊讶地接近了我们所需要的。确实,我们如何在计算上处理这些无限维对象的问题具有可以想象到的最令人愉悦的分辨率:如果仅要求函数在有限数量的点上的属性,
第2章:回归,第7页
有几种解释高斯过程(GP)回归模型的方法。可以认为高斯过程定义了函数的分布,并且推理直接在函数空间即函数空间视图中进行。
从最初的问题:
我拍了这张概念图,试图自己想象一下。我不确定我自己所做的解释是否正确。
更新后:
在回答Gijs之后,我将图片更新为概念上更像这样的东西: