高斯过程的好处


13

我对高斯过程的好处感到困惑。我的意思是将其与简单的线性回归进行比较,在线性回归中我们定义了线性函数对数据进行建模。

但是,在高斯过程中,我们定义函数的分布意味着我们没有明确定义函数应该是线性的。我们可以定义先于函数的先验,即先验高斯先验,先验先验定义一些特征,例如函数应具有的平滑程度以及全部。

因此,我们不必明确定义模型应该是什么。但是,我有疑问。我们确实有边际可能性,使用它可以调整高斯先验的协方差函数参数。因此,这类似于定义不是应该的功能类型。

归结为定义参数的同一件事,即使在GP中它们是超参数。例如在本文中。他们定义GP的均值函数类似于

m(x)=ax2+bx+ci.e. a second order polynomial.

因此,肯定是定义了模型/功能,不是吗。那么像LR中那样将函数定义为线性有什么区别。

我只是没有获得使用GP的好处

Answers:


7

D=(X,y)={(xi,yi)}i=1N

L=12(log|K|+yTK1y),
K={k(xi,xj)}i,j=1Nk(xi,xj)x
y^(x)=kK1y,
k={k(x,xi)}i=1N

k(xi,xj)=xiTxj

y^(x)=xTXT(XXT)1y=xT(XTX)1XTy.
(XXT)1

exp((xixj)TA1(xixj))A

在此处输入图片说明

因此,好处是我们可以使用适当的协方差函数对非线性函数建模(我们可以选择最先进的函数,在大多数情况下,平方指数协方差函数是一个不错的选择)。非线性的来源不是您提到的趋势成分,而是协方差函数。


3
我想说这只是GP的一项优势,其他内核方法也具有这一优势。GP的另一个优势是具有概率性并且来自贝叶斯框架。
Seeda

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.